<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Gabriel Rodrigues on Medium]]></title>
        <description><![CDATA[Stories by Gabriel Rodrigues on Medium]]></description>
        <link>https://medium.com/@reisrgabriel?source=rss-c39371fd031c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*ngOBSVvfiCZjAhAGUYXGUQ.jpeg</url>
            <title>Stories by Gabriel Rodrigues on Medium</title>
            <link>https://medium.com/@reisrgabriel?source=rss-c39371fd031c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 15:48:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@reisrgabriel/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[People Analytics Estratégico: Como criar hipóteses de negócio]]></title>
            <link>https://medium.com/datapsico/people-analytics-estrategico-como-criar-hipoteses-de-negocio-a8ba94569cc2?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/a8ba94569cc2</guid>
            <category><![CDATA[people-analytics]]></category>
            <category><![CDATA[datapsico]]></category>
            <category><![CDATA[teoria]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Mon, 25 Nov 2024 12:53:51 GMT</pubDate>
            <atom:updated>2024-12-04T13:30:14.228Z</atom:updated>
            <content:encoded><![CDATA[<h4>Estruturando hipóteses que transformam dados em decisões estratégicas</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*E35JGA1jVMGP_zMO" /><figcaption>Photo by <a href="https://unsplash.com/@omgitsyeshi?utm_source=medium&amp;utm_medium=referral">Yeshi Kangrang</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Imagine o seguinte: você explorou o objetivo do projeto e coletou dados para responder a esse objetivo. Tudo parece pronto para começar a análise mas, ao sentar diante do dashboard ou da planilha, surge a dúvida: por onde começar? Quais variáveis cruzar? Que conexões explorar?</p><p>Imagine o seguinte cenário: o time de People Analytics de uma empresa recebeu a missão de investigar o motivo pelo qual a satisfação das pessoas colaboradoras parece estar em queda, apesar de uma recente revisão nos benefícios. O objetivo do estudo está bem delimitado, mas algumas hipóteses ainda estão dispersas, salvas em diferentes documentos. Os dados coletados incluem resultados de pesquisas de clima, taxas de turnover, feedbacks de 1:1, e até métricas de produtividade. No entanto, ao abrir o arquivo com dezenas de variáveis, as pessoas analistas se veem paralisadas. Sem uma orientação nítida, cada tentativa de análise parece desconexa, e os insights permanecem superficiais. Além disso, quando as hipóteses não guiam a coleta de dados de forma objetiva, o resultado pode ser um excesso de informações desconexas e uma análise que não responde ao problema inicial.</p><p><strong>Esse é o impacto de não ter hipóteses bem formuladas.</strong> Mesmo com objetivos definidos e dados disponíveis, a falta de uma estrutura para guiar as análises pode levar ao desperdício de tempo e esforço. Hipóteses não são apenas ferramentas de organização; elas criam um roteiro, destacando quais relações investigar e quais perguntas responder para transformar dados em insights acionáveis.</p><p>Nos posts anteriores, <a href="https://medium.com/datapsico/people-analytics-na-pratica-explorando-e-definindo-o-objetivo-de-um-estudo-em-people-analytics-18f2aeefecfc?source=friends_link&amp;sk=56d542bb6aa87d1dd8d1fad9539e5536">exploramos como identificar problemas relevantes</a> e <a href="https://medium.com/datapsico/people-analytics-estrategico-garantindo-que-seus-projetos-sao-relevantes-367b4640accb?source=friends_link&amp;sk=77695b9ddae31244941ed9efff5ba6cf">alinhar os estudos de People Analytics aos objetivos estratégicos da organização</a>. Agora, o foco está em como avançar: <strong>a criação de hipóteses é o passo que conecta a definição do problema à análise de dados.</strong></p><p>Neste post, você aprenderá:</p><ul><li>O que é uma hipótese de negócio em People Analytics e como ela difere de perguntas exploratórias.</li><li>Técnicas práticas para estruturar hipóteses sólidas, como declarações “se/então” e frases testáveis.</li><li>A importância de embasar hipóteses em dados internos e evidências acadêmicas.</li><li>Estratégias para envolver stakeholders na validação e refinamento das hipóteses.</li><li>Um checklist prático para garantir que suas hipóteses guiarão análises precisas e relevantes.</li></ul><p>Se você já enfrentou o desafio de ter os dados mas não saber o que fazer para conectá-los às respostas que procura, este post é para você. Vamos transformar a incerteza em um plano objetivo? Bora nessa!</p><h4>O que é uma hipótese de negócio em People Analytics?</h4><p>Para entender o papel de uma hipótese em People Analytics, pense nela como um mapa. Quando você inicia um projeto, tem um destino em mente — responder a uma questão ou resolver um problema. A hipótese é o caminho que você acredita ser o mais provável para chegar lá. Sem ela, você pode até alcançar algum lugar, mas corre o risco de se perder no meio do caminho ou de gastar recursos desnecessários. Hipóteses são essenciais porque orientam a investigação, conectam os problemas às análises e garantem que os esforços estejam alinhados aos objetivos estratégicos da empresa.</p><p>No contexto de People Analytics, uma hipótese de negócio é uma <strong>afirmação testável</strong> sobre um fenômeno relacionado às pessoas e à organização. Ela é formulada com base em evidências prévias — sejam dados internos, benchmarking ou conhecimento acadêmico — e serve para direcionar a investigação.</p><p>Por exemplo, em vez de perguntar “Por que talentos estão deixando a empresa?”, transforme isso em uma hipótese nítida e específica, como: <em>“Talentos estão saindo porque estão insatisfeitos com a falta de oportunidades de crescimento profissional.”</em> Perceba a diferença: saímos de uma pergunta ampla para uma afirmação objetiva. A pergunta inicial não era testável com dados — a hipótese, sim. Agora, é possível usar os dados para verificar se a hipótese é corroborada ou não. Isso significa que, diante do questionamento sobre a saída de talentos, temos um direcionamento nítido que nos permite informar aos stakeholders se a falta de oportunidades de crescimento impacta a retenção ou não. A hipótese deixa evidente o que sabemos, o que precisamos investigar e, mais importante, como estruturar o caminho para chegar a uma resposta sólida.</p><p><strong>Diferença entre perguntas e hipóteses</strong></p><p>Enquanto perguntas levantam questões amplas e exploratórias, hipóteses focam em <strong>afirmações específicas que podem ser testadas</strong>. Vamos entender melhor com exemplos:</p><p><strong><em>Pergunta:</em></strong> Por que o engajamento na equipe X está baixo?<br><strong><em>Hipótese:</em></strong><em> </em>O engajamento na equipe X é menor devido à sobrecarga de tarefas causada por processos mal distribuídos.</p><p><strong><em>Pergunta:</em></strong> Como podemos melhorar o desempenho da equipe de vendas?<br><strong><em>Hipótese:</em></strong> Treinamentos de soft skills para gestores de vendas resultarão em um aumento de 15% na satisfação das equipes, refletindo diretamente em um melhor desempenho.</p><p>A grande vantagem de trabalhar com hipóteses é que elas fornecem um norte para as análises, conectando o problema ao resultado esperado. Isso permite priorizar dados, métodos e ações que realmente importam para a tomada de decisão.</p><h4>O valor estratégico das hipóteses</h4><p>No ambiente corporativo, onde <strong>recursos são limitados</strong> e decisões precisam ser tomadas rapidamente, as hipóteses se tornam peças-chave. Elas:</p><ul><li><strong>Evocam foco:</strong> ao transformar questões amplas em declarações testáveis, ajudam a direcionar os esforços para o que realmente importa.</li><li><strong>Economizam tempo e dinheiro:</strong> com hipóteses nítidas, as análises evitam rumos irrelevantes e concentram-se em testar o que é estratégico.</li><li><strong>Alinham expectativas:</strong> stakeholders (ou pessoas interessadas) conseguem visualizar desde o início o que está sendo testado e como isso será comprovado, fortalecendo a confiança no processo.</li></ul><p>Além disso, trabalhar com hipóteses não significa engessar o processo. Muito pelo contrário! Uma hipótese pode ser ajustada ou até mesmo rejeitada com base nos resultados obtidos. O importante é que ela funcione como um ponto de partida fundamentado, e não como um palpite.</p><h4>O que faz uma hipótese de negócio ser boa?</h4><p>Uma boa hipótese deve ser:</p><ul><li><strong>Nítida e objetiva:</strong> Afirmações vagas, como “pessoas saem por falta de reconhecimento”, são menos úteis do que “a falta de reuniões de feedback semestrais contribui para a percepção de desvalorização entre os colaboradores.”</li><li><strong>Testável:</strong> Deve ser possível validar a hipótese com dados e métodos de análise disponíveis.</li><li><strong>Relevante:</strong> Precisa estar alinhada aos objetivos do negócio. Não adianta testar algo que não impacta as decisões estratégicas.</li></ul><h4>RH baseado em evidências e a criação de hipóteses</h4><p>Criar hipóteses eficazes em <strong>People Analytics</strong> não é apenas um exercício de criatividade; é um processo fundamentado em evidências. Hipóteses sólidas têm raízes na literatura acadêmica e nos dados internos da organização. Este equilíbrio entre teoria e prática é essencial para garantir que as análises não apenas respondam a perguntas, mas tragam insights relevantes e confiáveis (<a href="https://www.researchgate.net/profile/Rob-Briner/publication/263444899_Evidence-Based_I-O_Psychology_Not_There_Yet/links/5b941ec692851c78c4fe3550/Evidence-Based-I-O-Psychology-Not-There-Yet.pdf">Briner &amp; Rousseau, 2011</a>). Isso tem tudo a ver com RH baseado em evidências, que deveria ser assunto para um post individual aqui no blog.</p><p>Mas de forma sucinta, para começar a criar hipóteses a partir do RH baseado em evidências, você deveria considerar quatro diferentes fontes de evidência:</p><ol><li>Experiência de trabalho</li><li>Literatura acadêmica</li><li>Dados da empresa</li><li>Perspectiva de lideranças e pessoas afetadas</li></ol><p>Abaixo, vamos tratar dessas quatro diferentes fontes de evidência durante o processo de criação de hipóteses. Vamos começar pela “Experiência de trabalho”.</p><h4>Técnicas para estruturar hipóteses eficazes</h4><p>Na seção anterior, falamos sobre como hipóteses eficazes devem ser fundamentadas em evidências, e mencionamos quatro fontes principais: <strong>experiência de trabalho</strong>, <strong>literatura acadêmica</strong>, <strong>dados da empresa</strong> e <strong>perspectivas de lideranças e colaboradores</strong>. Aqui, vamos explorar como estruturar essas hipóteses, começando pela primeira fonte: sua própria experiência de trabalho.</p><p>Ao analisar um problema, é natural que você já tenha uma lista de impressões e questionamentos baseados em conversas com stakeholders, entrevistas e sua vivência na organização. Essas observações iniciais são um ponto de partida valioso, pois refletem não só o que as pessoas acreditam estar acontecendo, mas também o que você, como analista, já percebeu a partir da sua formação e experiência prévia. Criar hipóteses a partir da <strong>experiência de trabalho</strong> significa transformar essas impressões em afirmações nítidas e testáveis. O primeiro passo a se fazer é criar um documento ou uma planilha e começar a listar essas impressões em forma de hipótese. Abaixo, listo algumas técnicas para garantir que as hipóteses sejam escritas de forma produtiva.</p><p><strong>1. Hipóteses são afirmações e NÃO perguntas</strong></p><p>Uma das armadilhas mais comuns é confundir hipóteses com perguntas de pesquisa. Embora as perguntas sejam um ponto de partida valioso, as hipóteses devem ser escritas como afirmações que podem ser testadas.</p><p>Compare os exemplos:</p><p><strong><em>Pergunta:</em></strong> Por que a taxa de turnover aumentou no último trimestre?<strong><em>Hipótese:</em></strong> A taxa de turnover aumentou no último trimestre devido à ausência de promoções internas no período.</p><p>A segunda versão é uma hipótese bem formulada porque é específica e sugere uma relação causal nítida. Escrever uma hipótese como uma afirmação ajuda a manter o foco naquilo que será investigado, orientando a coleta de dados e a escolha das análises.</p><p><strong>2. Declarações se/então: Estruturando hipóteses de forma causal</strong></p><p>Outra possibilidade de escrita de hipóteses são frases que estabelecem uma relação de causa e efeito. Para isso, utilizar a estrutura <strong>se/então </strong>pode ser útil.</p><p>Exemplo:</p><blockquote><strong>Se </strong><em>a carga de trabalho semanal média exceder 50 horas </em><strong>então </strong><em>a satisfação das pessoas colaboradoras diminuirá no próximo mês.</em></blockquote><p>Outro exemplo:</p><blockquote><strong>Se </strong><em>uma pessoa colaboradora receber incentivo à educação </em><strong>então </strong><em>a performance dela vai aumentar.</em></blockquote><p>Essa estrutura facilita a compreensão e ajuda a identificar quais variáveis precisam ser medidas para corroborar ou refutar a hipótese. No primeiro exemplo acima, seria necessário monitorar a carga de trabalho em horas e a satisfação dos colaboradores ao longo do tempo. No segundo exemplo, precisaríamos ter a relação de pessoas que recebem incentivo à educação e as que não recebem, e então entender se as pessoas que receberam incentivo à educação tiveram aumento em performance significativamente diferente das pessoas que não receberam incentivo à educação.</p><p>Dicas práticas:</p><ul><li>Certifique-se de que o “se” descreve uma condição mensurável e realista.</li><li>Use o “então” para delinear um efeito que também seja mensurável.</li><li>Sempre considere as métricas que serão usadas para medir as variáveis do “se” e do “então”.</li></ul><p><strong>3. Frases “sim/não”: Garantindo a testabilidade das hipóteses</strong></p><p>Uma boa hipótese precisa ser testável, ou seja, o resultado da análise deve permitir uma resposta nítida: <strong>sim</strong> ou <strong>não</strong>. Essa abordagem evita ambiguidades e força a formulação de hipóteses mais diretas.</p><p>Exemplo:</p><ul><li><strong>Hipótese:</strong> A implementação de um programa de mentoria reduzirá o turnover entre colaboradores de alto desempenho em pelo menos 20%.</li><li><strong>Teste:</strong> Após o programa, o turnover foi reduzido em 20%? (Sim ou Não).</li></ul><p>Hipóteses testáveis ajudam a definir o escopo das análises e a selecionar os métodos estatísticos adequados. Elas eliminam o “achismo” e garantem que o estudo entregue insights concretos e aplicáveis.</p><p>Exemplos:</p><ul><li>Turnover <strong>aumentou </strong>(sim/não) na área X entre ano passado e esse ano.</li><li><strong>Existe uma relação positiva</strong> (sim/não) entre salários altos e satisfação com a empresa.</li><li><strong>Lideranças que realizam feedbacks regulares têm equipes com maior engajamento</strong> (sim/não) em comparação com líderes que não o fazem.</li></ul><p>Dicas práticas:</p><ol><li>Verifique se os dados disponíveis permitem responder à hipótese com um “sim” ou “não”.</li><li>Se for ajudar, defina um critério quantitativo nítido para validar a hipótese (ex.: “redução de 20% no turnover”).</li><li>Evite hipóteses abertas ou subjetivas, como “pessoas colaboradoras sentirão mais motivação” — aqui, seria melhor especificar o que se quer dizer com “motivação”, que podem ser pontuações de engajamento em surveys, por exemplo.</li></ol><p>Essas técnicas acima podem ser usadas para você começar a definir as hipóteses dos estudos baseado na sua experiência. Mais do que isso, elas podem ser usadas também para ajustar as hipóteses que vão surgir das outras fontes de evidência.</p><h4>Criando hipóteses a partir de estudos científicos</h4><p>A segunda fonte de evidência citada são os estudos científicos, ou a literatura acadêmica sobre o tema. Estudos acadêmicos são uma fonte valiosa de conhecimento, pois representam anos de pesquisa e testes em cenários diversos. Além disso, oferecem:</p><ul><li><strong>Conceitos teóricos sólidos:</strong> A base para compreender fenômenos como engajamento, turnover ou motivação vem, muitas vezes, de teorias desenvolvidas em artigos científicos.</li><li><strong>Evidências empíricas:</strong> Estudos revisados por pares frequentemente trazem resultados validados em amostras amplas, o que aumenta a confiabilidade do resultado.</li><li><strong>Pontos de partida:</strong> Revisitar a literatura ajuda a identificar variáveis relevantes e relações já estabelecidas, poupando tempo na formulação de hipóteses do zero.</li></ul><p>Exemplo: Se você está investigando o impacto da liderança no engajamento, ler artigos e revisitar teorias como <a href="https://pepsic.bvsalud.org/scielo.php?script=sci_arttext&amp;pid=S1984-66572021000300012"><em>Liderança Autêntica</em></a><em> </em>pode trazer insights sobre como líderes influenciam a percepção de pessoas colaboradoras e quais métricas já foram usadas para medir esse fenômeno.</p><p>Dicas para aproveitar a literatura:</p><ul><li>Use portais como <strong>Google Scholar</strong>, <strong>PubMed</strong> ou <strong>Scielo</strong> para buscar artigos relacionados ao tema.</li><li>Mantenha atenção a conceitos-chave como <em>construct validity</em> (validade de construto), que ajuda a entender <a href="https://medium.com/datapsico/o-que-e-uma-variavel-latente-e-como-medi-la-d96cbf228a92?source=friends_link&amp;sk=59fd9b4f7a7a8a6dc04c2d426a572dd9">como medir fenômenos intangíveis</a>, como “satisfação” ou “motivação”​.</li><li>Leia os resumos para filtrar os estudos mais relevantes e explore as referências desses artigos para ampliar sua pesquisa.</li><li>Outra dica é usar ferramentas de IA como <a href="https://elicit.com/">Elicit</a> (que responde a uma pergunta com artigos científicos) ou <a href="https://app.litmaps.com/">Litmaps</a> (que cria grafos de rede com base na relação entre artigos científicos).</li></ul><p>O processo de criar hipóteses a partir de estudos científicos exige paciência e iteração. Primeiro, você precisa localizar os estudos relevantes, entender os conceitos que estão sendo pesquisados, e avaliar a qualidade e aplicabilidade das evidências encontradas. Em seguida, vem o trabalho de conectar os aprendizados dessas fontes com o contexto do problema que você está investigando. Após isso, se necessário, volta-se novamente para a literatura para entender melhor sobre o que está sendo pesquisado.</p><p>Os estudos científicos podem cumprir dois papéis principais no desenvolvimento de hipóteses. O primeiro é gerar novas ideias: ao explorar a literatura, você pode encontrar relações ou variáveis que não tinha considerado inicialmente. O segundo é refinar o que você já formulou. Muitas vezes, hipóteses criadas com base na experiência de trabalho ou em dados internos podem ser ajustadas e fortalecidas a partir das evidências empíricas e conceitos teóricos encontrados nos artigos.</p><p>Independentemente de o estudo acadêmico inspirar algo novo ou melhorar algo existente, ele amplia sua perspectiva e oferece uma base sólida para validar suas hipóteses. A literatura ajuda a alinhar suas análises às melhores práticas e garante que as respostas obtidas sejam fundamentadas em um contexto mais amplo. É uma forma de sair da bolha organizacional e trazer mais confiança e credibilidade para o seu trabalho em People Analytics.</p><h4>O papel dos dados internos na formulação de hipóteses</h4><p>A terceira fonte de evidência são os dados internos da empresa. Enquanto a literatura fornece uma visão ampla, os dados internos trazem o contexto específico da organização. Eles ajudam a responder perguntas como: <em>“Esse fenômeno é relevante aqui?”</em> ou <em>“Quais nuances locais precisam ser consideradas?”</em></p><p>Exemplo:<br>Imagine que sua empresa está enfrentando um aumento no absenteísmo. Antes de supor que esse aumento está relacionado ao clima organizacional, você pode analisar dados históricos de turnover, feedbacks de colaboradores e resultados de pesquisas internas. Ao cruzar essas informações, talvez descubra que o problema está concentrado em um único departamento, apontando para uma possível causa específica, como liderança ineficaz ou sobrecarga de trabalho.</p><p>Algumas sugestões sobre como explorar dados internos:</p><ol><li><strong>Realize análises exploratórias:</strong> Faça análises breves no R, Python ou Power BI para explorar padrões nos dados disponíveis.</li><li><strong>Converse com stakeholders:</strong> Dados qualitativos, como percepções de líderes e colaboradores, complementam as análises quantitativas.</li><li><strong>Priorize variáveis relevantes:</strong> Escolha indicadores que se conectem diretamente à hipótese. Se a hipótese envolve engajamento, use métricas como resultados de surveys e taxas de participação em treinamentos.</li><li><strong>Revise estudos antigos: </strong>Pode ser que esse problema já tenha aparecido anteriormente. Revise estudos e projetos de People Analytics do seu time que já tenham tratado desse tema e busque entender se os resultados encontrados podem ajudar a entender a investigação atual. Falando da minha experiência, já aconteceu de não realizarmos um estudo, por exemplo, por já termos produzido dados suficientes sobre determinado tema.</li></ol><p>O verdadeiro poder de uma hipótese bem estruturada em People Analytics vem da junção de dados internos e insights da literatura. Enquanto a teoria oferece uma lente para interpretar os dados, os números da organização ajudam a validar e adaptar as hipóteses à realidade local.</p><p>Exemplo:</p><ul><li><strong>Literatura:</strong> Estudos sugerem que o turnover está relacionado à falta de oportunidades de crescimento.</li><li><strong>Dados internos:</strong> Análises mostram que colaboradores que participam de planos de desenvolvimento têm menor probabilidade de sair.</li><li><strong>Hipótese formulada:</strong> <em>“Aumentar a participação nos programas de desenvolvimento reduzirá o turnover em 15% no próximo semestre.”</em></li></ul><p>Porém, em outros momentos, é possível que a literatura e os dados internos não estejam na mesma página.</p><p>Exemplo:</p><ul><li><strong>Literatura:</strong> Pesquisas acadêmicas indicam que salários mais altos estão fortemente associados à maior retenção de talentos.</li><li><strong>Dados internos:</strong> Na análise da sua organização, não há correlação significativa entre os aumentos salariais recentes e a diminuição do turnover. Em contrapartida, colaboradores apontaram, em surveys internos, que a falta de planos de carreira nítidos é um dos maiores motivos para considerarem novas oportunidades.</li></ul><p>Ou seja, embora a literatura forneça um ponto de partida importante, os dados internos podem trazer nuances específicas que desafiam as generalizações teóricas. Isso não invalida os estudos acadêmicos, mas destaca a importância de adaptar as hipóteses ao contexto único da empresa.</p><h4>Colaboração com stakeholders para refinar hipóteses</h4><p>A quarta e última fonte de evidência é a perspectiva de lideranças e pessoas afetadas. A construção de hipóteses sólidas em People Analytics não acontece isoladamente. Para que elas sejam úteis e aplicáveis, é fundamental colaborar com os <strong>stakeholders</strong> — as pessoas impactadas diretamente pelos resultados do estudo ou que tomarão decisões baseadas neles. Essa colaboração não apenas enriquece o processo de formulação das hipóteses, mas também garante alinhamento com as necessidades do negócio e fortalece a adesão ao processo analítico.</p><p><strong>Por que envolver os stakeholders é importante?</strong></p><p>Imagine que você formulou a seguinte hipótese: <em>“Em Vendas, as pessoas colaboradoras com maior performance são as que possuem maior habilidade de negociação.”</em> À primeira vista, essa afirmação pode parecer razoável, mas em conversas com lideranças da área, surge um contexto um pouco diferente. As lideranças apontam que, por exemplo, a habilidade de negociação tem impacto limitado na performance final e que outros fatores, como conhecimento técnico sobre produtos ou relacionamento com clientes, também desempenham um papel crucial na performance.</p><p>Envolver as pessoas stakeholders (ou pessoas interessadas) permite:</p><ul><li><strong>Acesso a informações contextuais:</strong> Eles trazem nuances e detalhes que muitas vezes não aparecem nos dados ou na literatura.</li><li><strong>Maior alinhamento com as prioridades do negócio:</strong> Uma hipótese formulada em conjunto tende a abordar problemas percebidos como mais urgentes pela liderança.</li><li><strong>Validação prática das hipóteses:</strong> Stakeholders (ou pessoas interessadas) ajudam a refinar hipóteses, testando sua nitidez e relevância em cenários reais.</li></ul><p><strong>Prototipagem e testes iterativos</strong></p><p>Após desenvolver uma primeira versão das hipóteses, apresente-as às pessoas stakeholders para receber feedback. Encare isso como um processo iterativo, onde as hipóteses podem ser ajustadas até que todas as pessoas estejam alinhadas.</p><p><strong>Workshops de priorização</strong></p><p>Caso surjam muitas hipóteses, envolva as pessoas stakeholders em um workshop para definir prioridades. Cada hipótese pode ser avaliada com base em critérios como:</p><ul><li><strong>Impacto potencial no negócio:</strong> Qual a relevância dessa hipótese para os objetivos estratégicos?</li><li><strong>Viabilidade:</strong> Temos dados suficientes para testar essa hipótese?</li><li><strong>Urgência:</strong> Quais hipóteses precisam ser testadas imediatamente para resolver problemas críticos?</li></ul><p><strong>Comunicando ideias de forma nítida e acessível</strong></p><p>Envolver stakeholders na formulação e validação de hipóteses exige uma comunicação nítida e adaptada ao público. Nem todas as pessoas têm familiaridade com termos técnicos ou estatísticos, e isso pode gerar confusão ou resistência. Por conta disso:</p><ul><li><strong>Use uma linguagem simples. </strong>Troque jargões por expressões acessíveis. Em vez de dizer: “A hipótese explora a relação causal entre variáveis dependentes e independentes”, diga: “Estamos analisando se um fator específico está influenciando diretamente o comportamento observado.”</li><li><strong>Visualize as hipóteses. </strong>A apresentação visual ajuda a simplificar conceitos complexos. Você pode usar diagramas de causa e efeito para ilustrar como um fator pode impactar outro, gráficos simplificados para mostrar tendências ou padrões que justificam a hipótese, ou slides objetivos que incluam a hipótese, os dados relevantes e o impacto esperado em poucas palavras.</li></ul><p><strong>Construindo confiança no processo colaborativo</strong></p><p>Quando pessoas stakeholders sentem que suas contribuições são valorizadas, elas se tornam aliadas no processo de People Analytics. Isso não só melhora a formulação das hipóteses, mas também aumenta a probabilidade de que os conhecimentos gerados no estudo sejam úteis.</p><p>Resumidamente:</p><ul><li>Envolva as equipes desde o início, garantindo alinhamento entre as hipóteses e os objetivos do negócio.</li><li>Use ferramentas e estratégias colaborativas, como workshops e reuniões de feedback.</li><li>Comunique ideias de forma nítida e acessível, conectando as hipóteses aos desafios reais da organização.</li></ul><p>Ao integrar a perspectiva das pessoas stakeholders (ou pessoas interessadas) no processo, você cria hipóteses que não apenas são mais robustas, mas também têm maior impacto estratégico. Afinal, a força de uma hipótese está tanto na sua validade quanto na sua relevância para quem toma as decisões.</p><h4>Checklist prático para verificar e criar hipóteses de sucesso</h4><p>Este checklist é dedicado exclusivamente a verificar e criar hipóteses que atendam a alguns critérios de nitidez e testabilidade. Com esse checklist, você garante que suas hipóteses não sejam apenas ideias soltas, mas sim ferramentas estratégicas para guiar análises, gerar insights acionáveis e maximizar o impacto de seus projetos em People Analytics.</p><p><strong><em>Afirmação nítida e específica</em></strong></p><ul><li>A hipótese está escrita como uma declaração, e não como uma pergunta?</li><li>Ela descreve nitidamente uma relação entre causa e efeito?</li><li>Evita termos vagos, como “muito” ou “pouco”?</li></ul><p><strong><em>Mensurabilidade</em></strong></p><ul><li>A hipótese pode ser respondida com “sim” ou “não”?</li><li>As variáveis mencionadas são mensuráveis?</li><li>Há nitidez sobre como testar essa hipótese?</li></ul><p><strong><em>Validação com stakeholders</em></strong></p><ul><li>A hipótese está alinhada aos objetivos do negócio?</li><li>Está formulada de forma compreensível para todas as pessoas envolvidas?</li></ul><p><strong><em>Viabilidade</em></strong></p><ul><li>Existem dados suficientes para testar a hipótese?</li><li>O prazo e os recursos disponíveis são compatíveis com a análise necessária?</li><li>Caso a hipótese não seja viável agora, ela pode ser reformulada?</li></ul><p>Caso você tenha problema com alguma parte, saiba que sempre dá para revisitar a hipótese, realinhá-la com as pessoas interessadas ou reescrevê-la de maneira mais nítida. Questione e peça ajuda, que esse processo ficará mais fácil.</p><h4>Conclusão</h4><p>Criar hipóteses de negócio eficazes é um dos pilares para o sucesso em <strong>People Analytics</strong>. Ao longo deste texto, exploramos não apenas o conceito e a importância das hipóteses, mas também como estruturá-las, validá-las e ajustá-las. Essas hipóteses são o elo que conecta perguntas abstratas a soluções estratégicas e acionáveis, transformando dados em decisões que realmente fazem a diferença.</p><p><strong>Relembrando os principais pontos</strong></p><ul><li><strong>Hipóteses são mapas para a análise:</strong> Elas fornecem um direcionamento nítido para estudos analíticos, ajudando a transformar problemas complexos em ações concretas e mensuráveis.</li><li><strong>De perguntas a declarações nítidas:</strong> Uma boa hipótese é específica e testável. Técnicas como “se/então” e afirmações testáveis tornam as hipóteses mais objetivas e úteis.</li><li><strong>O poder das evidências:</strong> Revisitar a literatura acadêmica e explorar dados internos fortalece a formulação das hipóteses, garantindo que elas estejam embasadas em fatos e não em suposições.</li><li><strong>Stakeholders (pessoas interessadas) como aliadas:</strong> O processo de colaboração enriquece as hipóteses e alinha os esforços às necessidades reais da organização.</li><li><strong>Testar e ajustar é essencial:</strong> Refinar hipóteses com base em feedback e viabilidade evita erros e garante que o estudo entregue resultados relevantes e acionáveis.</li></ul><p>Para garantir um processo de criação de hipóteses eficiente e colaborativo, centralize todo o trabalho em um documento compartilhado com as pessoas interessadas. Esse documento deve incluir as hipóteses formuladas e suas justificativas. Isso garante visibilidade às pessoas envolvidas e também facilita iterações e ajustes ao longo do processo.</p><p>Ainda, você constrói um histórico nítido das decisões tomadas e do raciocínio por trás de cada escolha, o que fortalece a transparência e o alinhamento. Transforme o documento em um guia vivo, revisitando ele sempre que necessário e atualizando as hipóteses à medida que surgirem novos dados ou insights. Dessa forma, o processo de estruturação de hipóteses se torna não apenas mais organizado, mas também mais iterativo.</p><p><strong>O impacto de boas hipóteses</strong></p><p>Antes de iniciar seu próximo projeto, dedique tempo para pensar nas hipóteses — refine, valide e alinhe com as necessidades da organização. Hipóteses bem estruturadas não apenas economizam recursos, mas também aumentam a confiança das pessoas stakeholders no processo analítico. Ao adotar as abordagens baseadas em evidências, suas hipóteses não serão apenas mais precisas, mas também terão maior impacto estratégico, ajudando a transformar dados em decisões acionáveis. Isso porque hipóteses devem:</p><ol><li><strong>Eliminar ambiguidades:</strong> Todas as pessoas envolvidas sabem o que está sendo testado e quais métricas serão usadas.</li><li><strong>Direcionar as análises:</strong> As hipóteses orientam o uso dos dados e dos métodos estatísticos corretos.</li><li><strong>Facilitar a comunicação:</strong> Hipóteses bem estruturadas são mais fáceis de compartilhar e discutir com pessoas stakeholders (ou pessoas interessadas), garantindo alinhamento em todas as etapas do projeto.</li></ol><p>Vamos juntos transformar desafios em resultados? Conta nos comentários quais técnicas você já usa e o que aprendeu aqui. Ah, também compartilhe este post com sua equipe para que todos possam dominar a arte de criar hipóteses estratégicas!</p><h4>Contato</h4><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><p>Para mais conteúdos sobre análise de dados e gestão de pessoas, não deixe de seguir minhas publicações no Medium e nas redes sociais. Até a próxima!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a8ba94569cc2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/people-analytics-estrategico-como-criar-hipoteses-de-negocio-a8ba94569cc2">People Analytics Estratégico: Como criar hipóteses de negócio</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[People Analytics Estratégico: Garantindo que seus projetos são relevantes]]></title>
            <link>https://medium.com/datapsico/people-analytics-estrategico-garantindo-que-seus-projetos-sao-relevantes-367b4640accb?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/367b4640accb</guid>
            <category><![CDATA[teoria]]></category>
            <category><![CDATA[datapsico]]></category>
            <category><![CDATA[people-analytics]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Tue, 19 Nov 2024 18:40:38 GMT</pubDate>
            <atom:updated>2024-12-04T12:10:31.703Z</atom:updated>
            <content:encoded><![CDATA[<h4>Em People Analytics, relevância é um compromisso com o impacto organizacional</h4><p>Imagine o seguinte: uma empresa decide implementar um projeto de People Analytics para conseguir prever quais pessoas colaboradoras têm maior probabilidade de realizar turnover voluntário. Para isso, o estudo conta com técnicas estatísticas avançadas, análise preditiva e inteligência artificial — tudo o que há de mais moderno no mercado e na ciência de dados. A equipe de People Analytics mergulha fundo, investe tempo e recursos, participa de incontáveis reuniões e produz relatórios cheios de gráficos e números.</p><p>O resultado final: um algoritmo que consegue prever, com impressionantes 90% de precisão, quem vai se demitir e quem vai continuar na empresa. Todas as pessoas que participaram do projeto estão muito contentes. Parece que o projeto foi um sucesso absoluto.</p><p>Mas será que foi um sucesso mesmo? Qual o impacto disso nessa empresa? Bem… <strong>quase nenhum</strong>. Isso porque o turnover voluntário da empresa já estava sob controle, sem grandes problemas a serem resolvidos. Não havia uma necessidade real ou um benefício estratégico claro para desenvolver esse estudo. O projeto, apesar de tecnicamente brilhante, pecou em um ponto crucial: <strong>relevância para o negócio e para o momento.</strong> Ou seja, foi um ótimo exemplo de algo que funciona “no papel”, mas que não entrega valor para a estratégia da organização.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*xFeZ3uF9STHboNq-" /><figcaption>Photo by <a href="https://unsplash.com/@googledeepmind?utm_source=medium&amp;utm_medium=referral">Google DeepMind</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Essa situação ilustra um dos principais desafios em People Analytics: <strong>como garantir que um projeto traga, de fato, valor para a organização?</strong> É aqui que entra a necessidade de assegurar que cada projeto de People Analytics seja <strong>estrategicamente relevante</strong>, seja para resolver um problema crítico do negócio, atender a uma necessidade urgente ou trazer benefícios concretos para uma área ou equipe específica da empresa.</p><p>Aqui no Datapsico já falamos sobre <a href="https://medium.com/datapsico/people-analytics-transforme-gestao-de-pessoas-com-dados-3935d3ffb70b?source=friends_link&amp;sk=5ec88832f46eb9fdef05a7323e8c5bdf">o que é People Analytics</a> e também sobre <a href="https://medium.com/datapsico/people-analytics-na-pratica-explorando-e-definindo-o-objetivo-de-um-estudo-em-people-analytics-18f2aeefecfc?source=friends_link&amp;sk=56d542bb6aa87d1dd8d1fad9539e5536">como explorar e definir um objetivo de um estudo nessa área</a>. Agora, é hora de dar mais um passo: <strong>garantir que o projeto faça sentido.</strong></p><p>Abordaremos dois aspectos que precisam ser considerados para avaliar a relevância de um estudo de People Analytics:</p><ol><li><strong>Relevância para o negócio</strong>: como o estudo se conecta à estratégia e aos objetivos organizacionais.</li><li><strong>Relevância para o momento</strong>: se o estudo atende a uma necessidade urgente e gera benefícios no tempo certo.</li></ol><p>Ao final, minha expectativa é que você consiga analisar criticamente a relevância de um projeto de People Analytics, priorizar iniciativas estratégicas e até comparar dois projetos diferentes, identificando qual deles faz mais sentido neste momento. Vamos explorar isso comigo? Bora lá!</p><h4>Relevância para o negócio</h4><p>Uma análise estratégica de dados sobre pessoas só se justifica se seus insights estiverem nitidamente conectados com os objetivos maiores da empresa. Afinal, de que adianta um projeto que tenha profundidade técnica, mas que não se alinha com as metas e necessidades do negócio? Em muitos casos, a relevância para o negócio é o que diferencia um estudo bem-sucedido de um que acaba na gaveta.</p><p>Quando falamos em relevância para o negócio em People Analytics, estamos nos referindo à habilidade de traduzir dados sobre pessoas em decisões estratégicas que impulsionam o desempenho organizacional. Dessa forma, a primeira pergunta para se fazer ao planejar um projeto de People Analytics é: <strong>“Como esse estudo contribui para a estratégia e os objetivos da empresa?” </strong>ou<strong> “Com quais objetivos estratégicos do negócio esse estudo se conecta?”</strong></p><p>Em empresas que adotam uma abordagem orientada por dados, cada projeto precisa ser guiado por um propósito que, no fim, ajude a impulsionar os principais objetivos organizacionais. Essa conexão estratégica é o que diferencia projetos com impacto mensurável daqueles que, por mais bem elaborados, acabam tendo pouca aplicabilidade.</p><p>Um exemplo prático: imagine que a área de RH da sua empresa tem como prioridade estratégica “Criar um ambiente de trabalho motivador e cooperativo”. Como responsável por validar projetos de People Analytics, você se depara com duas propostas concorrendo pela atenção do time:</p><ol><li>Identificar os fatores que levam à saída de profissionais da área de tecnologia.</li><li>Analisar o perfil de engajamento dos colaboradores de tecnologia.</li></ol><p>Considerando <strong>apenas</strong> o alinhamento estratégico, o segundo estudo é mais relevante para o negócio, já que está mais alinhado ao objetivo estratégico citado. Ou seja, baseando-se somente nisso, dá para priorizar o estudo 2.</p><p>Ao mesmo tempo,<strong> </strong>o <strong>alinhamento estratégico</strong> também abarca considerar como os insights obtidos serão aplicados e qual impacto eles podem trazer na prática. Ou seja, quem usará as informações geradas e quais decisões ou ações poderão ser tomadas a partir delas. Esse é um ponto essencial para garantir que os dados não fiquem isolados em relatórios, mas sim que resultem em decisões práticas e que tenham impacto direto nos objetivos do negócio. Considerando o exemplo acima, pode ser que a saída voluntária de pessoas da tecnologia (proposta 1) esteja impactando a percepção de clima do ambiente de trabalho (o que prejudica a prioridade estratégica). A partir disso, o primeiro estudo pode acabar se mostrando mais relevante, pois resolve uma questão crítica que influencia diretamente o ambiente de trabalho.</p><p>Outro ponto crucial da relevância para o negócio é pensar em <strong>quem usará os insights gerados e como eles serão aplicados na prática.</strong> Não basta apenas produzir relatórios detalhados; é essencial que eles sejam traduzidos em ações concretas que influenciam os resultados organizacionais. Isso inclui:</p><ul><li>Garantir que as informações sejam apresentadas de forma acessível e acionável.</li><li>Definir nitidamente as pessoas responsáveis pela implementação dos insights.</li><li>Conectar os resultados a decisões práticas, como mudanças em políticas, estratégias ou processos internos.</li></ul><p>Voltando ao exemplo acima, pense no impacto prático de cada estudo:</p><ol><li>O primeiro estudo pode fornecer dados valiosos para retenção de talentos, o que ajuda a reduzir o turnover e melhora a percepção de estabilidade no ambiente de trabalho.</li><li>Já o segundo estudo pode identificar comportamentos ou características de engajamento que podem ser replicados para outras áreas, gerando uma cultura mais colaborativa.</li></ol><p>Ambos são úteis, mas a escolha final deve levar em conta como os insights serão usados e qual dos projetos resolve uma dor maior da empresa no momento.</p><p>Para facilitar o entendimento sobre a relevância do estudo para o negócio, aqui estão algumas perguntas que podem ajudar a direcionar o projeto e reforçar seu vínculo com a estratégia organizacional:</p><ul><li>Esse projeto está ligado a alguma prioridade estratégica?</li><li>Esse projeto afeta clientes da empresa?</li><li>O projeto impacta KPIs (<em>Key Performance Indicators</em>, ou Indicadores-chave de Desempenho)?</li></ul><h4>Relevância para o momento</h4><p>Um dos aspectos mais importantes para garantir a relevância de um projeto de People Analytics é o <strong>timing</strong> — ou seja, escolher o momento certo para implementar o estudo. Isso significa conseguir <strong>identificar o momento em que os resultados trarão o maior impacto para o negócio</strong>. Quando um estudo é realizado sem urgência ou planejamento em relação ao momento, o risco é que os insights se tornem irrelevantes ou percam sua utilidade antes de serem aplicados.</p><p>Vamos pensar em um exemplo: imagine que sua empresa está passando por uma reestruturação organizacional. A partir disso, decide-se realizar um estudo sobre clima e engajamento. Se os resultados desse estudo forem colhidos e analisados logo após a mudança, eles capturarão reações frescas e provavelmente reais dos colaboradores em resposta à nova estrutura. Isso permite identificar rapidamente os pontos de atenção e tomar decisões alinhadas à nova realidade. Agora, se o estudo for feito antes da reestruturação, os dados coletados provavelmente não refletirão a nova dinâmica organizacional. E, se for realizado muito tempo depois, pode ser que os problemas mais urgentes já tenham se agravado ou mudado de natureza.</p><p>Realizar um projeto de People Analytics no tempo certo permite não só entender o momento presente da empresa e de seus colaboradores, mas também alinhar o timing do estudo com os <strong>desafios e as necessidades emergentes</strong>. Por exemplo, um estudo de clima pode ter um papel estratégico essencial para identificar pontos de atenção logo após mudanças organizacionais, enquanto uma análise de retenção pode ser urgente em momentos de alta rotatividade ou de contratações intensas.</p><p>Para garantir que o estudo seja realizado no momento certo, faça perguntas práticas para avaliar a urgência e o impacto que o projeto trará para o negócio e para as pessoas colaboradoras. Isso ajuda a entender se o timing escolhido é realmente adequado ou se há uma oportunidade para recalibrar o planejamento. Veja algumas perguntas úteis:</p><ul><li>O tema do estudo é sazonal ou cíclico?</li><li>É importante resolver esse tema nesse momento?</li><li>Se focarmos nisso agora, isso vai melhorar o desempenho organizacional?</li><li>Se focarmos nisso agora, isso vai melhorar o desempenho organizacional <em>agora</em>?</li><li>Se não fizermos o projeto, a situação vai piorar?</li><li>Os insights serão úteis para a tomada de decisão atual, ou há o risco de que as circunstâncias mudem e o estudo se torne obsoleto?</li><li>Existe algum evento futuro, como um lançamento de produto, reestruturação ou uma expansão, que faz com que o momento atual seja ideal para o estudo?</li><li>É possível que os insights obtidos se tornem obsoletos até a aplicação?</li></ul><h4>Avaliando a complexidade</h4><p>Mesmo o estudo mais relevante perde o sentido se não puder ser executado com os recursos disponíveis. Aqui entra a análise da <strong>complexidade</strong> do projeto, que pode ser cruzada com a relevância para gerar um <strong>escore de priorização</strong>.</p><p>Por que isso é importante? Porque, diante de dois projetos com impacto semelhante, a complexidade pode ser o fator decisivo. Um estudo de alta relevância, mas extremamente complexo, talvez precise ser postergado para dar lugar a outro mais simples e ainda assim relevante. Por exemplo, entre um projeto com altíssima complexidade e impacto médio (Projeto 1) e outro com complexidade média e impacto médio (Projeto 2), <strong>é mais sensato priorizar o segundo</strong>, já que ele tem maior chance de ser executado de forma eficaz.</p><p>Aqui vão algumas perguntas para avaliar essa complexidade em diferentes frentes:</p><ul><li>Quem estará envolvido no projeto? Existem especialistas de People Analytics e profissionais de TI ou de outras áreas que possam contribuir?</li><li>Há um orçamento destinado para esse estudo? Caso contrário, quais outras áreas de suporte financeiro podem ser considerados?</li><li>A empresa possui as ferramentas e as tecnologias necessárias para processar os dados? É possível acessar os dados de forma rápida e eficiente?</li><li>Existe uma linha do tempo realista para cada fase do projeto? Se a equipe responsável for acumulando outras tarefas, isso impactaria o andamento do estudo?</li></ul><p>Ao responder a essas perguntas, é possível identificar possíveis gargalos antes de eles se tornarem um problema. Dessa forma, a equipe pode fazer ajustes e alinhar expectativas, garantindo que o estudo seja conduzido com os recursos adequados e o tempo necessário.</p><p>Como já citado, esse cruzamento entre relevância e complexidade permite a criação de um escore de priorização. Para simplificar a priorização de projetos, você pode usar uma abordagem quantitativa, atribuindo notas para relevância e complexidade. Vamos dar notas de 1 (“baixa”) a 5 (“alta”) para relevância e complexidade (invertida, onde 1 é “muito complexo” e 5 é “muito simples”). O <strong>escore de priorização</strong> será a média desses valores. Com isso, você já consegue realizar uma priorização entre estudos diferentes. Exemplo:</p><ul><li>Projeto A: relevância = 3, complexidade = 5 → <em>Escore de priorização = 4</em></li><li>Projeto B: relevância = 5, complexidade = 1 → <em>Escore de priorização = 3</em></li><li>Projeto C: relevância = 3, complexidade = 3 → <em>Escore de priorização = 3</em></li></ul><p>Nesse caso, você priorizaria:</p><ol><li>Projeto A (escore mais alto)</li><li>Projeto B (maior relevância)</li><li>Projeto C</li></ol><p>Existe também o framework ICE (<em>Impact, Confidence and Ease</em>, ou <em>Impacto, Confiança e Facilidade</em>), que adiciona a <em>Confiança </em>nessa equação. Essa nova dimensão trata da confiança do time em entregar o projeto com sucesso, se o time já realizou projetos parecidos antes, considerando experiências anteriores ou domínio da solução.</p><p>Vamos refazer a priorização com o framework ICE, adicionando a dimensão <em>confiança</em>, para a qual 1 significa “pouca confiança” e 5 significa “muita confiança” na execução do projeto. Dessa vez, ao invés de realizar a média, vamos multiplicar os escores de cada dimensão.</p><ul><li>Projeto A: relevância = 3, complexidade = 5, confiança = 5 → <em>Escore de priorização = 75</em></li><li>Projeto B: relevância = 5, complexidade = 1, confiança = 1 → <em>Escore de priorização = 5</em></li><li>Projeto C: relevância = 3, complexidade = 3 , confiança = 5 → <em>Escore de priorização = 45</em></li></ul><p>Nova ordem de priorização com ICE:</p><ol><li>Projeto A (maior escore geral: 75)</li><li>Projeto C (segundo maior escore: 45)</li><li>Projeto B (menor escore: 5)</li></ol><p>Agora, junto à dimensão da confiança, os escores mudam um pouco, e a ordem de priorização dos projetos também. Enquanto o projeto A continua na primeira posição, o projeto C toma o lugar do projeto B, já que existe uma maior confiança do time de que ele pode ser realizado. Ao cruzar relevância e complexidade, e, se necessário, adicionar confiança, você tem um método nítido e quantitativo para priorizar projetos de People Analytics.</p><h4>Outras perguntas para avaliar a relevância</h4><p>Além das questões de relevância para o negócio, relevância para o momento e complexidade, algumas outras perguntas podem ajudar a entender a relevância de um estudo de People Analytics.</p><p><strong><em>Há um plano nítido de como os resultados serão aplicados na prática?</em></strong></p><p>Outra importante questão que pode surgir ao priorizar diferentes projetos é se existe um plano nítido do que será feito com os resultados do estudo. Um projeto de People Analytics só é relevante quando seus resultados são aplicados e geram mudanças práticas na empresa. Perguntar como os dados serão aplicados ajuda a construir uma ponte entre os resultados analíticos e as ações organizacionais, facilitando a transformação dos insights em iniciativas concretas. Algumas perguntas que podem ser feitas:</p><ul><li>Qual mudança ou melhoria específica a empresa espera atingir com esse projeto?</li><li>Quem será responsável por analisar e aplicar os resultados na prática?</li><li>Existe um plano para compartilhar os insights com lideranças e pessoas gestoras que possam tomar ações concretas?</li><li>Como os insights gerados podem se alinhar aos objetivos estratégicos da empresa? Por exemplo, se o projeto visa reduzir o turnover, existem planos para implementar ações que possam realmente influenciar esse indicador?</li><li>Existe uma estratégia ou plano de ação para implementar os insights no cotidiano da organização? A equipe de People Analytics ou RH terá o suporte necessário para transformar os dados em ações?</li></ul><p>Essas perguntas ajudam a garantir que o estudo tenha um objetivo prático e específico, proporcionando um impacto tangível e relevante para a empresa. Sem um plano nítido, o risco é que os insights se tornem apenas mais um relatório no papel, sem gerar mudanças.</p><p><strong><em>Como o sucesso do projeto será medido em termos de impacto no negócio?</em></strong></p><p>Avaliar o sucesso de um projeto de People Analytics pode ser um desafio, especialmente quando o impacto esperado não é nitidamente definido. Para que o projeto seja realmente relevante, é fundamental estabelecer métricas e KPIs (indicadores-chave de desempenho) desde o início. Essas métricas permitem avaliar se o estudo atingiu seus objetivos e se trouxe benefícios para o negócio. Medir o sucesso também ajuda a justificar futuros investimentos em People Analytics e a mostrar o valor que esses projetos podem agregar ao negócio. Aqui vão algumas perguntas para ajudar a definir as métricas de sucesso:</p><ul><li>Que métricas de desempenho o estudo pretende influenciar? Por exemplo, é possível mensurar o impacto sobre taxas de retenção, engajamento ou produtividade?</li><li>Quais KPIs específicos serão utilizados para medir o sucesso do projeto? Esses KPIs estão alinhados com os objetivos estratégicos da empresa?</li><li>Existe alguma métrica que possa medir o impacto do estudo a longo prazo, como uma redução na rotatividade ao longo dos anos ou um aumento na satisfação dos colaboradores?</li><li>Existe um plano para coletar feedback de quem for impactado diretamente pelas mudanças sugeridas pelo estudo? O feedback qualitativo, além das métricas quantitativas, será considerado?</li></ul><p>Por exemplo, imagine um projeto de People Analytics voltado para identificar fatores de desmotivação entre colaboradores de uma área de vendas. Para medir o impacto desse estudo, a empresa pode definir como métricas:</p><ul><li>Redução no turnover: monitorar a redução na rotatividade da equipe após a implementação das mudanças sugeridas.</li><li>Engajamento: aplicar uma pesquisa de engajamento antes e depois da implementação das ações para comparar os resultados e o aumento no engajamento dos colaboradores na área.</li><li>Feedback qualitativo: coletar feedback das pessoas gerentes de vendas e da equipe para avaliar se as mudanças estão promovendo um ambiente de trabalho mais produtivo e motivador.</li></ul><p>Estabelecer métricas claras desde o início garante que o projeto tenha <strong>propósitos tangíveis</strong> e que seus resultados possam ser monitorados de forma objetiva. Além disso, mensurar o sucesso não é apenas sobre validar o impacto imediato do estudo, mas também sobre criar um ciclo de aprendizado contínuo, onde cada projeto refina e melhora os próximos.</p><h4>Conclusão</h4><p>Em People Analytics, o valor de um projeto não reside em realizar estudos tecnicamente impecáveis ou utilizar as últimas tendências de análise de dados. O valor de um projeto está na sua capacidade de trazer insights que se alinhem aos objetivos e às necessidades da organização, contribuindo para o sucesso estratégico. Um projeto relevante tem uma função nítida e aplicável: ele informa e direciona a tomada de decisão, promovendo um impacto que realmente faz a diferença.</p><p>Ao longo deste post, vimos três aspectos principais que podem guiar qualquer projeto de People Analytics para garantir que ele seja mais estratégico:</p><ul><li>Relevância para o negócio: estar alinhado com os objetivos estratégicos organizacionais e contribuir diretamente para as metas da empresa.</li><li>Relevância para o momento: execução no timing ideal, garantindo que os insights sejam aplicados quando mais necessários.</li><li>Complexidade: avaliação prévia de riscos e do quão difícil é realizar um estudo ou projeto de people analytics.</li></ul><p>A relevância das iniciativas e projetos de People Analytics não é apenas um conceito pontual, mas sim um processo contínuo de repriorização. É um dos elementos que mantém a área de People Analytics como uma fonte de valor estratégico constante. Para que isso aconteça, o time de People Analytics deve sempre revisar seus projetos e se perguntar:</p><ul><li>Os projetos estão alinhados com as necessidades da empresa e seus objetivos de longo prazo?</li><li>O que mudou no ambiente interno ou externo da empresa que pode exigir uma nova análise?</li><li>Como garantir que os insights gerados continuem a ser aplicáveis e tenham potencial de implementação?</li></ul><p>Manter-se atento a essas questões permite que o time de People Analytics se mantenha não apenas relevante, mas também um diferencial competitivo para a organização. A relevância é o fio condutor que transforma análises em ações, ações em resultados, e resultados em um impacto duradouro.</p><p>Que tal revisar os projetos atuais da sua área e aplicar as perguntas que abordamos neste post? Verifique se eles atendem a um propósito estratégico, se o momento é adequado e se o escopo é bem definido. Esses passos não apenas ajudarão a garantir a relevância dos projetos atuais, mas também fortalecerão o papel da área de People Analytics como um parceiro estratégico para o sucesso contínuo da empresa.</p><p>Se precisar de ajuda na priorização, você pode adotar frameworks como o ICE (<em>Impact, Confidence and Ease</em>, ou <em>Impacto, Confiança e Facilidade</em>), que adiciona mais nitidez a esse processo. Você pode aplicar esse cálculo com as dimensões que fizerem sentido para você e para seu time. Faça uma lista dos projetos, defina as dimensões mais relevantes para o contexto do seu time e avalie cada iniciativa. Crie dimensões diferentes que façam sentido para você e seu time, como “potencial de inovação”, “impacto em diversidade e inclusão”, “reconhecimento como marca empregadora” etc. Atribua, junto a seu time, uma nota de 1 a 5 para cada dimensão. Então, multiplique os valores entre elas e tenham um escore final de priorização. A partir disso, priorize com base nesses escores. Essa prática não só facilita a escolha dos projetos mais estratégicos, mas também ajuda a manter a transparência e o foco nas prioridades.</p><p>Em People Analytics, relevância é mais do que um critério a ser considerado para escolher bons projetos: é um compromisso com o impacto organizacional.</p><h4>Contato</h4><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><p>Para mais conteúdos sobre análise de dados e gestão de pessoas, não deixe de seguir minhas publicações no Medium e nas redes sociais. Até a próxima!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=367b4640accb" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/people-analytics-estrategico-garantindo-que-seus-projetos-sao-relevantes-367b4640accb">People Analytics Estratégico: Garantindo que seus projetos são relevantes</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[People Analytics Estratégico: Explorando e definindo o objetivo de um estudo em People Analytics]]></title>
            <link>https://medium.com/datapsico/people-analytics-na-pratica-explorando-e-definindo-o-objetivo-de-um-estudo-em-people-analytics-18f2aeefecfc?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/18f2aeefecfc</guid>
            <category><![CDATA[people-analytics]]></category>
            <category><![CDATA[datapsico]]></category>
            <category><![CDATA[teoria]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Wed, 13 Nov 2024 13:43:04 GMT</pubDate>
            <atom:updated>2024-12-04T11:07:27.072Z</atom:updated>
            <content:encoded><![CDATA[<h4>Um estudo de People Analytics estratégico começa pelas perguntas certas</h4><p>Imagine o seguinte cenário: a diretoria de uma empresa chama o time de RH para uma reunião de emergência. A taxa de saída de pessoas na empresa tem aumentado nos últimos meses — especialmente entre profissionais das áreas de tecnologia e marketing. A grande pergunta da diretoria para o RH é o que está acontecendo com o pessoal da empresa, o que é necessário fazer para diminuir a taxa de saída?</p><figure><img alt="Uma mão sobre uma peça de um quebra-cabeça, ajeitando essa peça no meio de tantas outras peças de quebra-cabeça." src="https://cdn-images-1.medium.com/max/1024/0*Y2bExiHQrBbqEd7I" /><figcaption>Photo by <a href="https://unsplash.com/@rosssneddon?utm_source=medium&amp;utm_medium=referral">Ross Sneddon</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>“Precisamos de uma solução!”, diz uma voz ao fundo da sala. No mesmo momento, uma chuva de hipóteses e ideias para resolver o problema toma conta da reunião: <em>“Vamos focar em benefícios!”</em>, alguém sugere. <em>“E se criássemos um novo plano de carreira?”</em>, propõe outra pessoa. Ao fim, o RH decide implementar um programa de reconhecimento e prêmios trimestrais, com uma campanha bem elaborada para valorizar e reter as pessoas colaboradoras. Passam-se alguns meses e, para surpresa de alguns, o turnover segue crescendo. A insatisfação continua alta, e o diagnóstico inicial — a tal “falta de reconhecimento” — não resolveu o problema. Finalmente, a equipe de People Analytics é acionada para investigar mais a fundo as causas levando a turnover.</p><p>Soa familiar? Em situações como essa, o que faltou foi uma análise bem fundamentada logo na fase inicial do problema. Um bom diagnóstico poderia ter revelado, por exemplo, que a questão não estava em benefícios, mas sim em desalinhamentos de liderança e falta de clareza nas responsabilidades dos cargos. Pedido é diferente de demanda. Algo que se “pede” não é necessariamente o que está sendo “demandado”. E uma demanda mal definida gera esforços e investimentos que, no fim, acabam não resolvendo o problema de verdade.</p><p>Neste artigo, vamos explorar técnicas e abordagens para transformar pedidos vagos em objetivos nítidos. Afinal, um estudo de People Analytics bem direcionado e estratégico começa pelas perguntas certas. Os tópicos incluem:</p><ul><li><strong>A importância de um diagnóstico bem feito</strong>: Por que buscar a causa do problema é essencial para o sucesso de qualquer estudo.</li><li><strong>Técnica dos 5 porquês</strong>: Uma ferramenta simples para ir além das aparências e chegar à raiz do problema.</li><li><strong>Ouvindo outras perspectivas</strong>: A importância de envolver diferentes áreas e captar diferentes visões sobre o problema.</li><li><strong>Olhando para o negócio</strong>: Como reformular uma pergunta para conectá-la aos objetivos estratégicos da empresa.</li><li><strong>Formulando o problema em uma frase</strong>: Como resumir o objetivo do estudo de maneira nítida e objetiva.</li><li><strong>Escuta ativa</strong>: Estratégias de comunicação para aprofundar a compreensão da demanda.</li></ul><p>Espero que ao fim do post você tenha um guia prático para estruturar estudos de People Analytics com foco e relevância, garantindo que seus insights possam efetivamente apoiar decisões estratégicas na empresa.</p><h4>Perguntas estratégicas para quem não quer ler tudo</h4><p>Caso você não queira ler todo o post, reuni aqui as principais perguntas exploratórias que eu faria em um projeto ou estudo de People Analytics.</p><p><strong>Perguntas necessárias</strong></p><ul><li>Por que esse projeto é necessário?</li><li>Qual o seu alinhamento com a estratégia do negócio?</li><li>Qual é o cenário atual e como ele mudará a partir da finalização desse projeto?</li><li>Como isso está afetando a entrega dos projetos e os resultados financeiros da empresa?</li><li>Quais métricas de negócio são impactadas por esse problema?</li><li>Se esse estudo tiver sucesso, quais os resultados esperados de negócio que ele trará?</li></ul><p><strong>Outras perguntas exploratórias</strong></p><ul><li>Que outras pessoas devemos envolver para entender melhor sobre isso?</li><li>Qual é a situação no momento? Como você prefere que fosse?</li><li>Como sabemos que isso é um problema? Quais medições mostram a evidência do problema?</li><li>O que você acha que causa o problema?</li><li>Quais causas você acha mais importantes?</li><li>Onde, especificamente, o problema aparece?</li><li>Quem é mais afetado pelo problema? Quem ele afeta menos?</li><li>Quando o problema ocorre com mais frequência?</li></ul><h4><strong>Por que entender bem o problema é a base de uma boa análise?</strong></h4><p>Na pressão de resolver problemas rápido, é fácil tomar o primeiro pedido que aparece como sendo “a demanda real” e seguir sem explorar mais a fundo. Entretanto, é importante entender que <strong>pedido e demanda não são a mesma coisa</strong>. Em análise institucional, como explica Baremblitt no livro <em>Compêndio de Análise Institucional e outras correntes</em> (1992):</p><blockquote>…um passo importante para começar a compreender institucionalmente a dinâmica de uma organização é decifrar, analisar, esmiuçar o pedido que esta organização faz de uma análise e de uma intervenção. Para dizê-la provisoriamente: quais são os aspectos conscientes, manifestos, deliberados, voluntários deste pedido, e quais são seus aspectos inconscientes e/ou não-ditos. A isso chamam análise de demanda, que é um dos primeiros passos para entender em que consiste a conflitiva, em que radica a problemática desta organização solicitante.</blockquote><p>A demanda, de acordo com Baremblitt, é criada a partir de algo. Ela sempre surge de algo mais profundo. E esse algo precisa ser bem compreendido porque, se o que chega até nós é apenas o sintoma de um problema maior, qualquer solução construída sobre ele provavelmente será superficial. Ou seja, qualquer solução pensada a partir do sintoma dificilmente trará impacto real ao negócio. Imagine colocar horas e mais horas em um estudo sobre engajamento, apenas para descobrir que o problema principal estava na comunicação interna ou nos processos de liderança. Todo o esforço, no fim, não traria resultados para o negócio.</p><p>Por isso, é fundamental entender bem a demanda antes de começar a análise. Um bom diagnóstico envolve explorar e validar a hipótese inicial, investigando se há um problema latente mais profundo que precise de atenção. Esse é o momento de questionar o pedido original, investigar contextos, e reformular perguntas, se necessário. Em outras palavras, quanto mais nítido e detalhado for o problema, maior a chance de o estudo gerar insights realmente úteis para a tomada de decisão.</p><p>Esse entendimento também ajuda a alinhar expectativas: quando você leva uma demanda bem definida para as pessoas interessadas (ou <em>stakeholders</em>), fica mais fácil comunicar os resultados e mostrar como a solução proposta pode gerar impacto. <a href="https://medium.com/datapsico/people-analytics-transforme-gestao-de-pessoas-com-dados-3935d3ffb70b?source=friends_link&amp;sk=5ec88832f46eb9fdef05a7323e8c5bdf">Afinal, em People Analytics, não estamos apenas “olhando para dados”</a>, mas sim buscando caminhos reais, assertivos e estratégicos para gestão de pessoas com base em dados.</p><h4><strong>Técnica dos 5 porquês: Uma ferramenta para explorar a causa raiz</strong></h4><p>A técnica dos 5 Porquês é uma ferramenta simples para nos ajudar a ir além do que está evidente e chegar à causa raiz de uma questão. Ela ajuda a traçar o caminho entre o problema e o que causa esse problema. Suponha que a área de vendas está com baixa performance e o time de RH recebe a demanda de investigar os motivos. A primeira resposta é direta: <em>“Precisamos de mais treinamentos para o time.”</em> Mas antes de abraçar essa solução, que tal perguntar: “Por que a performance está baixa?” A partir daí, cada resposta leva a uma nova pergunta “por quê?”, até chegarmos ao núcleo do problema. Talvez você descubra que o treinamento não é o ponto, mas sim o tempo excessivo que as pessoas vendedoras gastam em tarefas administrativas. Nesse sentido, um software para automatizar processos administrativos, por exemplo, seria mais eficiente do que oferecer mais treinamentos ao time.</p><p>Assim, a técnica dos 5 porquês consiste em perguntar “por quê?” (ou outras perguntas similares) várias vezes, para cada resposta recebida, até se chegar a uma conclusão mais precisa. Não precisam ser exatamente 5 perguntas, mas a ideia é que sejam suficientes para deixar nítido sobre o que está sendo discutido. Só para ficar nítido, vamos a um exemplo:</p><blockquote><strong>Pessoa do negócio: </strong>A taxa de saída tem sido preocupante!</blockquote><blockquote><strong>People Analytics: </strong>Por quê?</blockquote><blockquote><strong>Pessoa do negócio:</strong><em> </em>Porque isso tem afetado o negócio.</blockquote><blockquote><strong>People Analytics: </strong>Como isso tem afetado o negócio?</blockquote><blockquote><strong>Pessoa do negócio:</strong><em> </em>Pessoas clientes estão esperando demais para serem atendidas.</blockquote><blockquote><strong>People Analytics: </strong>Mas por que o tempo de espera aumentou?</blockquote><blockquote><strong>Pessoa do negócio: </strong>É que cada vez tem menos pessoal para cobrir as chamadas de clientes, então o volume de chamadas por pessoas disponíveis aumentou consideravelmente.</blockquote><p>Nós saímos de um tópico geral (“taxa de saída”) para um tópico mais específico (“volume de chamadas por pessoas disponíveis”). Ainda, saímos de um problema de toda a empresa, para uma questão envolvendo uma área ou um time específico. Isso não quer dizer que nosso estudo de people analytics <strong>precise</strong> ser voltado ao tópico específico ou apenas a esse time. Com esse novo contexto, mesmo se fizermos um estudo sobre a questão inicial da “taxa de saída”, sabemos agora que um possível impacto desse estudo seria a diminuição de volume de chamadas por pessoas disponíveis. Então, mesmo atuando sobre o pedido inicial, nossa análise e resultados esperados são mais assertivos quando investigamos o problema mais a fundo.</p><p>Aqui vão algumas perguntas para fazer a fim de incitar conversas produtivas sobre o problema de negócio, com base no livro <a href="https://amzn.to/456vz1j"><em>People Analytics para Leigos</em></a>:</p><ul><li>Como você sabe que isso é um problema?</li><li>Quais medições mostram a evidência do problema?</li><li>Qual é a situação no momento? Como você prefere que fosse?</li><li>O que você acha que causa o problema?</li><li>Quais causas você acha mais importantes?</li><li>Onde, especificamente, o problema aparece?</li><li>Quem é mais afetado pelo problema? Quem ele afeta menos?</li><li>Quando o problema ocorre com mais frequência?</li></ul><p>Essas perguntas ajudam a abrir uma conversa mais detalhada e trazem nitidez ao verdadeiro impacto do problema na organização.</p><h4><strong>Ouvir outras perspectivas para uma visão mais completa</strong></h4><p>Definir bem um problema de People Analytics não é uma tarefa para se fazer de forma solitária. Por mais que o RH tenha insights importantes, ouvir colegas de diferentes áreas e funções traz um entendimento mais amplo e preciso da questão. Afinal, quem vive o problema no dia a dia, muitas vezes, enxerga detalhes que podem passar despercebidos para quem está de fora.</p><p>Digamos que o desafio da equipe de RH no semestre seja reduzir o absenteísmo em um setor específico. O time de people analytics pode ter uma visão inicial sobre esse problema, mas conversar com gestores e membros da equipe do setor afetado pode revelar outros fatores, como sobrecarga de trabalho ou falta de flexibilidade no horário. Nessas conversas, surgem informações que nem sempre aparecem nos dados ou nos primeiros diagnósticos. Aqui, é importante reaplicar as mesmas questões que vimos anteriormente, para termos uma base de comparação entre diferentes áreas e pessoas. Por exemplo, você pode considerar a opinião de colegas, pessoas gerentes, pessoas do time, lideranças de outras áreas etc.</p><p>Buscar essas perspectivas ajuda a evitar soluções generalistas e a construir uma visão coletiva do problema, muito mais próxima da realidade. Além disso, esse engajamento das outras áreas cria uma sensação de parceria no processo, aumentando as chances de sucesso na implementação de qualquer iniciativa que venha a ser proposta.</p><p>Para garantir um alinhamento entre diferentes perspectivas, uma dica é criar um documento disponível para todas as pessoas interessadas (ou <em>stakeholders</em>). Nesse documento, detalhar:</p><ul><li><em>Por que o projeto ou estudo é necessário?<br></em>Trazer aqui a perspectiva do negócio a partir das conversas iniciais.</li><li><em>Objetivo do projeto<br></em>O que se espera alcançar ao final desse estudo? O que será investigado? Algum processo da empresa será modificado? O objetivo deve ser compreensivo, mas enxuto.</li><li><em>Resultados esperados<br></em>Quais métricas de negócio vão ser impactadas ao se concluir esse estudo ou projeto? Isso ajuda a manter o projeto embasado na estratégia do negócio.</li><li><em>Cronograma<br></em>Qual a linha do tempo esperada para esse estudo ou projeto?</li><li><em>Recursos necessários<br></em>Quanto sairá a realização desse estudo? Pessoas de outras áreas participarão? Se sim, de que forma?</li></ul><p>Esse documento funciona como uma base de entendimento comum entre todas as pessoas envolvidas. Com acesso a ele, as pessoas interessadas podem revisar, dar feedback e ajudar a revisar o escopo do projeto ou estudo. Uma vez que a versão final esteja alinhada, teremos consenso sobre a necessidade do estudo, seus objetivos, resultados esperados, cronograma e recursos. Ou seja, concordou-se no porquê o estudo é necessário, no objetivo dele, nos resultados esperados, no cronograma e também nos recursos necessários. Esse alinhamento logo no início fortalece o estudo, integrando a visão do negócio e garantindo engajamento desde a fase inicial.</p><h4>Trazendo o olhar do negócio para People Analytics</h4><p>Um dos passos mais estratégicos em People Analytics é traduzir o problema de RH em uma questão que faça sentido para o negócio. Isso significa olhar para além das métricas de satisfação ou turnover e entender como essas questões afetam diretamente os resultados organizacionais.</p><p>Por exemplo, imagine que a área de tecnologia está enfrentando um aumento na rotatividade, e o RH recebe uma demanda para entender o porquê. Em vez de pensar apenas em ações como aumentar benefícios ou promover mais treinamentos, é interessante reformular o problema:</p><ul><li>Como isso está afetando a entrega dos projetos e os resultados financeiros da empresa?</li><li>Quais métricas de negócio são impactadas por esse problema?</li><li>Se esse estudo tiver sucesso, quais os resultados esperados de negócio que ele trará?</li></ul><p>Ao fazer essa mudança de perspectiva, o People Analytics se alinha com a estratégia do negócio, focando em questões como prazos de entrega, custo de novas contratações e impacto sobre a produtividade. Tendo como base o exemplo, se feito dessa forma, a análise sai da superficialidade e passa a abordar o custo e o impacto direto da rotatividade para o negócio. Dessa forma, estamos trazendo profundidade e assertividade, transformando o RH em um parceiro estratégico na tomada de decisões.</p><h4>Formule o problema em uma frase nítida e objetiva</h4><p>Após explorar a fundo as causas e reunir diferentes perspectivas, é hora de traduzir todo esse entendimento em uma frase nítida e objetiva. Esse exercício ajuda a resumir o problema central e torna o objetivo do estudo de People Analytics simples e direto para todas as pessoas envolvidas.</p><p>Por exemplo, depois de várias conversas e uma análise cuidadosa, podemos transformar um pedido genérico como “investigar o engajamento” em uma frase precisa: <em>“Qual o impacto das mudanças recentes de gestão no engajamento da equipe de vendas?”</em> ou <em>“De que forma a carga de trabalho está influenciando o absenteísmo no time de suporte técnico?”</em>.</p><p>Se o seu objetivo é composto por diversas frases, tente resumi-lo pela metade. Depois de feito isso, resuma-o novamente. Repita esse processo até chegar em uma só frase. Mesmo que você não consiga chegar em uma só frase, o exercício é útil para ajudar a dar foco ao projeto de People Analytics.</p><p>Esse tipo de formulação tem um papel estratégico: oferece um ponto de partida concreto e ajuda a manter o foco do estudo, evitando que ele se perca em múltiplas interpretações. A frase nítida e objetiva não só orienta o levantamento de dados e as análises subsequentes, mas também facilita o alinhamento de expectativas com as pessoas interessadas (ou <em>stakeholders</em>), que terão uma visão nítida de qual pergunta o estudo pretende responder.</p><p>Lembre-se de compartilhar o objetivo com as pessoas interessadas para garantir que ela está em linha com o que realmente se busca responder!</p><h4><strong>Escuta ativa: Perguntas e respostas que realmente importam</strong></h4><p>Aqui vai uma dica sobre todo o processo que vimos acima. Em conversas para entender uma demanda de People Analytics, a escuta ativa é essencial para captar o que está sendo dito — e o que não está. Mais do que ouvir, escutar ativamente significa fazer perguntas abertas, parafrasear o que foi dito e oferecer sinais de que você está prestando atenção. Isso cria um ambiente onde a pessoa que fala se sente à vontade para compartilhar suas reais preocupações, permitindo que questões mais profundas venham à tona.</p><p>Imagine uma reunião com lideranças de um setor onde o turnover está alto. Em vez de perguntar apenas “O que acham que está causando isso?”, tente fazer perguntas que convidem à reflexão: “Que mudanças vocês notaram no time nos últimos meses?” ou “Que fatores poderiam estar contribuindo para esse aumento?”. Parafrasear respostas — por exemplo, “Então, se entendi bem, você percebe que a carga de trabalho pode estar afetando a retenção?” — ajuda a confirmar o entendimento e sinaliza ao outro que suas observações estão sendo levadas em consideração.</p><p>Essa abordagem pode tornar as conversas mais genuínas e ricas em detalhes, oferecendo uma profundidade que muitas vezes se perde em interações superficiais. Uma dica aqui é sempre iniciar essas conversas com uma curiosidade genuína sobre o olhar da pessoa acerca do problema trazido.</p><h4><strong>Conclusão</strong></h4><p>Definir bem um problema de People Analytics é o que diferencia uma análise genérica de uma que realmente gera valor para o negócio. Investir tempo e esforço na fase de diagnóstico (ou análise de demanda) não significa apenas responder a um pedido, significa garantir que o estudo:</p><ul><li>seja relevante, com motivos nítidos do porquê realizá-lo;</li><li>tenha um objetivo focado;</li><li>esteja alinhado com a visão de diferentes pessoas interessadas (ou <em>stakeholders</em>);</li><li>e se conecte diretamente à estratégia do negócio.</li></ul><p>Cada técnica abordada — dos 5 Porquês à escuta ativa e à formulação de uma pergunta objetiva — pode ser útil para transformar sintomas vagos em perguntas mais precisas e bem definidas. Esse processo evita desperdícios de recursos e potencializa o impacto do People Analytics no negócio, fortalecendo o RH como um parceiro estratégico e protagonista nas decisões que envolvem pessoas.</p><p>Ao final, um estudo bem direcionado em People Analytics não se trata apenas de responder à pergunta certa, mas de fazer isso de maneira que mova a organização adiante em seus objetivos estratégicos.</p><h3>Contato</h3><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><p>Para mais conteúdos sobre análise de dados e gestão de pessoas, não deixe de seguir minhas publicações no Medium e nas redes sociais. Até a próxima!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=18f2aeefecfc" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/people-analytics-na-pratica-explorando-e-definindo-o-objetivo-de-um-estudo-em-people-analytics-18f2aeefecfc">People Analytics Estratégico: Explorando e definindo o objetivo de um estudo em People Analytics</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[People Analytics: O que é e qual sua importância]]></title>
            <link>https://medium.com/datapsico/people-analytics-transforme-gestao-de-pessoas-com-dados-3935d3ffb70b?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/3935d3ffb70b</guid>
            <category><![CDATA[datapsico]]></category>
            <category><![CDATA[teoria]]></category>
            <category><![CDATA[people-analytics]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Fri, 14 Jun 2024 11:54:27 GMT</pubDate>
            <atom:updated>2024-12-04T10:30:37.921Z</atom:updated>
            <content:encoded><![CDATA[<h4>Entenda o conceito de People Analytics, sua importância e como ele otimiza a gestão estratégia de pessoas nas empresas a partir de dados.</h4><p>Você já se perguntou como grandes empresas conseguem tomar decisões tão assertivas em relação às suas pessoas colaboradoras? Como sabem qual é o melhor momento para uma promoção ou quais são as áreas que precisam de mais treinamento? A resposta para essas perguntas está no People Analytics, um campo em crescimento que utiliza dados para otimizar a gestão de pessoas. Neste artigo, vamos explorar o que é People Analytics, sua origem, e como ele é aplicado atualmente.</p><p>E aí, bora entender melhor essa abordagem? Então, vamos lá!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Rjc0yg4Y8o2KYxco" /><figcaption>Photo by <a href="https://unsplash.com/@ryoji__iwata?utm_source=medium&amp;utm_medium=referral">Ryoji Iwata</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h3>O que é People Analytics?</h3><p>Imagine que você trabalha no departamento de RH de uma empresa e percebe que a taxa de turnover (saída de colaboradores) está muito alta. Muitas pessoas talentosas estão deixando a empresa, e você não consegue entender o porquê. Sem dados concretos, a equipe de RH tenta diversas estratégias para resolver o problema, como melhorar os pacotes de benefícios, criar programas de bem-estar e até aumentar os salários. Mas nada parece funcionar, e a saída de funcionários continua alta. A frustração aumenta, e a sensação de estar “chovendo no molhado” toma conta do ambiente. Esse é um exemplo clássico de um problema de RH que, sem uma análise profunda e orientada por dados, pode ficar difícil de resolver.</p><p>People Analytics entra em cena ao coletar e analisar dados das pessoas funcionárias, como feedbacks de saída, avaliações de desempenho, engajamento, entre outros. Ao identificar padrões nos dados, pode-se descobrir que, por exemplo, a maior causa do turnover é a falta de oportunidades de crescimento dentro da empresa, e não os benefícios ou salários. Com esses insights, a empresa pode criar programas específicos de desenvolvimento de carreira e promoção interna, alinhados às necessidades das pessoas colaboradoras. Dessa forma, as decisões passam a ser baseadas em evidências concretas, aumentando a retenção de talentos e, consequentemente, o desempenho organizacional.</p><p>People analytics é o uso de dados e análise estatística para tomar decisões informadas sobre a gestão de pessoas. Ele envolve a coleta, análise e interpretação de dados relacionados aos colaboradores para, por exemplo, melhorar o desempenho organizacional, melhorar processos de seleção, potencializar processos de desenvolvimento etc. De forma bastante simplificada, é possível transformar dados de recursos humanos em insights acionáveis. Em partes, é um movimento que tenta sair da intuição para tomada de decisão em gestão de pessoas, e adentrar na <em>ciência</em> para tomar decisões em gestão de pessoas. Nesse sentido, People Analytics está muito relacionado ao conceito de <a href="https://www.cambridge.org/core/journals/industrial-and-organizational-psychology/article/abs/evidencebased-io-psychology-not-there-yet/83BD3CF928B0DFA87546A7D23DD482C5">RH baseado em evidências</a>.</p><h3>A origem do People Analytics</h3><p>A origem do People Analytics pode ser traçada até <a href="https://pt.wikipedia.org/wiki/Frederick_Taylor">Frederick Winslow Taylor</a>, um engenheiro mecânico que, no início do século 20, desenvolveu a gestão científica do trabalho em seu livro de 1911 intitulado <a href="https://amzn.to/4c5NXtC"><em>Princípios de Administração Científica</em></a>. O cara do <a href="https://pt.wikipedia.org/wiki/Taylorismo">Taylorismo</a>, lembra? Taylor acreditava que, através da análise sistemática do trabalho e da utilização de dados, seria possível aumentar a eficiência e a produtividade das pessoas trabalhadoras. Para ele, o objetivo de uma boa administração deveria ser:</p><ul><li>Desenvolver uma ciência para cada elemento do trabalho,</li><li>Selecionar, treinar e desenvolver a pessoa trabalhadora de forma científica,</li><li>Cooperar com a pessoa trabalhadora, e</li><li>Dividir a gestão e o trabalho.</li></ul><p>Ou seja, lá em 1911 já tinha gente pensando em como usar dados de pessoas em empresas para tomar melhores decisões! Quer um exemplo de que People Analytics existe há bastante tempo? Um exemplo clássico de estudos de People Analytics, mesmo antes da era do Big Data, é o famoso Experimento de Hawthorne, conduzido na fábrica da Western Electric na década de 1920 e 1930. Este estudo tentou entender como as mudanças na iluminação do ambiente de trabalho influenciavam a produtividade dos operários. O resultado, conhecido como <a href="https://ibac.com.br/o-que-voce-faz-quando-ninguem-te-ve-o-efeito-hawthorne/">Efeito Hawthorne</a>, revelou que os trabalhadores aumentavam a produtividade não necessariamente pela mudança nas condições físicas, mas pela atenção recebida dos pesquisadores. Este estudo foi crucial para a Psicologia Organizacional e do Trabalho porque demonstrou a importância dos fatores psicológicos e sociais no ambiente de trabalho.</p><p>Atualmente, a definição mais comum de People Analytics é algo como “a prática de coletar e analisar dados de várias fontes para tomar decisões estratégicas sobre a força de trabalho”. Isso incluiria desde dados de desempenho e engajamento até métricas de bem-estar e diversidade. Outra definição comum de ser vista é a de que People Analytics é a interseção entre estratégia de pessoas, psicologia organizacional, estatística e sistemas de tecnologia. Mas definir onde um campo reside não é a definição dele em si. Por isso, gosto de definir People Analytics assim:</p><blockquote>People analytics é aplicar o método científico na tomada de decisão em gestão de pessoas!</blockquote><p>Prefiro essa definição porque, com ela, fica nítido que você não precisa ter tecnologia avançada para iniciar um projeto de people analytics. Além disso, se o foco no conceito de people analytics enfocar a tecnologia ou os campos de sua interseção, é possível confundir disponibilidade de dados, análises avançadas e visualizações de dados com <em>aplicação </em>de people analytics. Isto é, ter à disposição diversas bases de dados não garante uma boa aplicação de people analytics. Do mesmo jeito, fazer análises estatísticas avançadas descoladas do negócio e do problema de pessoas a se resolver não é aplicar people analytics. Ainda, não é porque um time consegue entregar muitas visualizações de dados de people analytics que essas visualizações são úteis e geram valor para o negócio.</p><h3>Como surgiu o termo People Analytics?</h3><p>O termo “People Analytics” começou a ganhar força na última década, especialmente com o avanço das tecnologias de big data e machine learning. Empresas do Vale do Silício, como Google e Facebook (hoje em dia, “Meta”), foram pioneiras na utilização de dados para gerir e entender melhor suas pessoas colaboradoras, o que impulsionou a popularização do conceito.</p><p>De fato, a <a href="https://www.scielo.br/j/pcp/a/NKwfC9mJtLnYGZqc8wCF6mG/?format=pdf&amp;lang=pt">psicologia organizacional e do trabalho</a> (Industrial-Organizational Psychology) já realizava, há décadas, muitas das práticas que hoje dizemos fazer parte do People Analytics. A psicologia organizacional e do trabalho (uma parte dela, pelo menos) sempre buscou entender e otimizar o comportamento humano nas organizações através da coleta e análise de dados sobre <a href="https://doi.org/10.1037/apl0000103">turnover</a>, <a href="https://doi.org/10.1027/1866-5888/a000316">engajamento</a>, <a href="https://doi.org/10.1037/apl0000181">satisfação</a>, <a href="https://doi.org/10.1037/0033-2909.127.3.376">relação entre satisfação e performance</a>, <a href="https://doi.org/10.1037/0021-9010.61.6.728">relação entre ausência do trabalho e satisfação com o trabalho</a>, <a href="https://doi.org/10.1037/h0086792">seleção de pessoal</a>, <a href="https://doi.org/10.1027/1015-5759/a000797">burnout</a>, entre outros conceitos e associações. A diferença é que, embora as práticas não sejam novas, o termo “People Analytics” ganhou notoriedade com o exemplo do Google e a disponibilidade massiva de dados proporcionada pelo Big Data.</p><p>Em 2005, a Google começou a ter problemas de recrutamento e seleção — muitas pessoas candidatas se aplicavam para muitas vagas. Com um volume gigantesco de candidaturas para as vagas, começou a ser necessário pensar em uma forma diferente de filtrar essas candidaturas. A solução no momento foi aplicar questionários com as pessoas candidatas, tentando filtrar elas de acordo com algum critério pré-estabelecido na literatura. Mas aí, surgiu a ideia de entender competências-chave das pessoas que performavam acima da média na Google, e usar questionários sobre essas competências-chave durante a fase de recrutamento. Ou seja, só começou a passar no processo seletivo quem tinha mais potencial de se tornar uma pessoa com alto desempenho na empresa. Foi nessa conjuntura, na Google, que surgiu o termo “People Analytics”, <a href="https://www.linkedin.com/pulse/paqa-what-history-people-analytics-mike-west/">de acordo com Mike West</a>, autor de <a href="https://amzn.to/456vz1j"><em>People Analytics para Leigos</em></a>.</p><blockquote>People Analytics (como uma função organizacional) foi cunhado no Google em 2007, originado do jargão único do Google para “Recursos Humanos”, ao qual o Google se refere simplesmente como People Operations (em tradução livre, “Operações de Pessoas”). Se RH é People Operations, como devemos chamar a análise para RH? A resposta foi “People Analytics”. Quem são as pessoas que realizam o trabalho de People Analytics? “People Analysts”.</blockquote><h3>A importância do People Analytics</h3><p>A aplicação do People Analytics pode trazer diversos benefícios para as empresas, tais como:</p><ul><li><strong>Tomada de decisão baseada em dados</strong>: Permite que as decisões sejam feitas com base em evidências concretas, ao invés de intuições ou suposições.</li><li><strong>Identificação de talentos</strong>: Facilita a identificação de pessoas colaboradoras com potencial para assumir novas funções ou responsabilidades.</li><li><strong>Aumento da retenção</strong>: Ajuda a entender os motivos de saída das pessoas colaboradoras e a desenvolver estratégias para aumentar a retenção.</li><li><strong>Melhoria do engajamento</strong>: Fornece insights sobre o que motiva as pessoas colaboradoras, permitindo ações direcionadas para aumentar o engajamento.</li><li><strong>Otimização de treinamento e desenvolvimento</strong>: Identifica as áreas onde o treinamento é mais necessário, otimizando os recursos dedicados a essas atividades.</li></ul><h4>Ferramentas e técnicas de People Analytics</h4><p>Para implementar o People Analytics, as empresas utilizam diversas ferramentas e técnicas, como:</p><ul><li><strong>Sistemas de Gestão de Recursos Humanos </strong>(ou HRMS, <em>Human Resources Management Systems</em>): Softwares que centralizam dados de funcionários, desde informações pessoais até desempenho e feedbacks.</li><li><strong>Big Data e Machine Learning</strong>: Técnicas de análise de dados que permitem identificar padrões e prever comportamentos futuros.</li><li><strong>Dashboards e visualizações</strong>: Ferramentas de visualização de dados que tornam mais fácil a interpretação dos dados e a comunicação dos insights para as partes interessadas. Algumas dessas podem ser <a href="https://www.tableau.com/pt-br/">Tableau</a>, <a href="https://www.microsoft.com/pt-br/power-platform/products/power-bi">PowerBI</a>, <a href="https://lookerstudio.google.com/u/0/">Looker</a> etc.</li></ul><h3>Conclusão</h3><p>Se a gente entender people analytics como a aplicação do método científico na tomada de decisão em gestão de pessoas, não é necessário muito para começar a fazer um trabalho decente nesse campo. O ideal é adotar uma postura crítica em relação à análise de dados de gestão de pessoas. Por exemplo, se existir uma demanda para criação de uma visualização que mostra as saídas da empresa, um passo importante em people analytics seria, antes de tudo, entender o propósito por trás dessa visualização, quais hipóteses o negócio entendem que seriam respondidas com essas visualizações, expectativas de impacto etc. Embora existam demandas com ganhos óbvios, a crítica é parte importante do trabalho em people analytics. Aliás, dá pra ser uma pessoa crítica e continuar sendo uma pessoa humana, sabia? Dá uma olhada aqui nos posts da Paula sobre <a href="https://medium.com/datapsico/dados-e-psico-5-li%C3%A7%C3%B5es-que-eu-gostaria-de-ter-ouvido-no-in%C3%ADcio-951b6a94149a">mitos de dados e psico</a> e também sobre <a href="https://medium.com/datapsico/qual-hist%C3%B3ria-seus-dados-contam-visualiza%C3%A7%C3%A3o-de-dados-e-data-storytelling-4585af8d4681">visualização de dados em people</a>.</p><p>Resumindo: people Analytics é uma abordagem poderosa que pode transformar a gestão de pessoas nas empresas. Ao utilizar dados para tomar decisões informadas, é possível melhorar o desempenho organizacional, aumentar a retenção de talentos e otimizar os recursos dedicados ao desenvolvimento dos colaboradores. Mais do que isso: começa-se a ter pensamento crítico sobre a tomada estratégica de decisão de pessoas nas empresas. Se você ainda não começou a utilizar People Analytics na sua empresa, agora pode ser um bom momento para iniciar essa jornada.</p><p>Espero que este artigo tenha ajudado você a entender melhor o que é People Analytics e como ele pode ser aplicado na prática.</p><h3>Contato</h3><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><p>Para mais conteúdos sobre análise de dados e gestão de pessoas, não deixe de seguir minhas publicações no Medium e nas redes sociais. Até a próxima!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3935d3ffb70b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/people-analytics-transforme-gestao-de-pessoas-com-dados-3935d3ffb70b">People Analytics: O que é e qual sua importância</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Suicídios no Brasil: De 2010 a 2019]]></title>
            <link>https://medium.com/datapsico/suicidios-no-brasil-de-2010-a-2019-9469655b1269?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/9469655b1269</guid>
            <category><![CDATA[r]]></category>
            <category><![CDATA[banco-de-dados]]></category>
            <category><![CDATA[setembro-amarelo]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Fri, 10 Sep 2021 20:48:17 GMT</pubDate>
            <atom:updated>2021-10-26T06:48:28.096Z</atom:updated>
            <content:encoded><![CDATA[<p>O tema do suicídio é importante de ser discutido durante <a href="https://www.setembroamarelo.com/">a campanha do Setembro Amarelo</a>. Nós aqui do PsicoData já abordamos assuntos importantes voltados a isso. Ano passado, lançamos um banco de dados organizado com os dados do DATASUS entre 2014 e 2018 das pessoas que morreram por suicídio (você pode vê-lo <a href="https://www.kaggle.com/psicodata/dados-de-suicdio-no-brasil-2014-a-2018">aqui</a>, e entender sua organização <a href="https://www.youtube.com/watch?v=7TxlU5mgABk">aqui</a>).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*xaSXoN7h-D2ZbbyN" /><figcaption>Photo by <a href="https://unsplash.com/@gszemok?utm_source=medium&amp;utm_medium=referral">Gyorgy Szemok</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Esse ano, em 2021, vamos trabalhar com os mesmos métodos previamente adotados. Dessa vez, vamos tentar descrever os dados da série temporal de 10 anos no Brasil, entre 2010 e 2019. Nesse post, vamos abordar:</p><ol><li>A série temporal de suicídio ao longo de 10 anos.</li><li>Quem morre por suicídio.</li><li>Onde o suicídio acontece.</li></ol><p>Quer entender como todo o projeto foi feito?</p><ul><li><a href="https://rpubs.com/reisrgabriel/suicides_in_brazil">Acesse esse link</a> para entender a organização do projeto todo e acessar algumas outras visualizações interativas disponíveis.</li><li><a href="https://github.com/GabrielReisR/suicide_in_brazil">Acesse esse link</a> para ter acesso ao repositório no GitHub e entender como as visualizações foram realizadas.</li></ul><h3>Série temporal</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*sY6anL45Ajb1f9noPcYz5g.png" /></figure><p>Inicia-se com uma observação geral sobre o fenômeno do suicídio nesses últimos 10 anos. De forma geral, a quantidade de suicídios aumentou todos os anos, indo de 9476 no ano de 2010 a 13554 no ano de 2019. Em média, foram registrados 11249 suicídios por ano nesses 10 anos.</p><p>Uma possibilidade é que o aumento de casos de suicídio esteja seguindo o aumento populacional ao longo dos anos. Essa variável não foi controlada e caracteriza uma das principais limitações desse projeto, já que um aumento de suicídio em números brutos não significa aumento percentual de suicídios em relação à população brasileira.</p><h3>Quem morre por suicídio?</h3><p>Em geral, os homens morrem mais de suicídios que as mulheres no Brasil. O número absoluto de suicídios registrados foi de 88394 para homens (78,58%) e 24075 para mulheres (21,40%).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*f8BUrFybT0z0aXrKgIGQHg.gif" /></figure><blockquote><strong>Importante</strong>: Na base de dados DATASUS, não foi encontrada uma variável que pudesse especificar se a pessoa que morreu de suicídio se identificava como cis ou como trans. Nesse sentido, há falta de informação qualificada sobre o suicídio de pessoas trans em uma das principais bases de dados pública em saúde do país. Em meio a essa dificuldade, a Associação Nacional de Travestis e Transsexuais (<a href="https://antrabrasil.org/">ANTRA</a>) publicou que houve um aumento e 34% no número de suicídios de pessoas trans no Brasil em 2020, quando comparado a 2019 (<a href="https://www.uol.com.br/vivabem/noticias/redacao/2020/09/09/aumento-do-numero-de-suicidios-entre-populacao-trans-preocupa-ativistas.htm">link da reportagem</a>). Tais dados, entretanto, foram baseados nos <em>casos alcançados</em> pela ANTRA. A falta de uma variável que codifique isso de forma acessível no DATASUS dificulta o mapeamento do suicídio de pessoas trans — que pode ser considerado um problema de saúde pública. Outra importante variável que não é considerada pelo banco de dados do DATASUS é a orientação sexual, importante atravessamento relacionado à saúde mental.</blockquote><h4>Raça/cor</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*i6zSBA7iPoxc2D-cGGrL6g.png" /></figure><p>Em relação à raça/cor, de acordo com a classificação do IBGE:</p><ul><li>A maioria dos casos de suicídio atinge a população autodeclarada branca <br>(51,29%).</li><li>Somando-se os percentuais da população autodeclarada preta (5,42%) e <br>autodeclarada parda (41,80%), tem-se que 47,22% dos casos atinge a população negra do Brasil.</li></ul><h4>Trabalho e suicídio</h4><p>Desde 2010 até 2019, apenas 10 profissões/ocupações estão presentes no topo dos casos de suicídio.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*TUXR_kgF5hUTp7njOFQDcA.gif" /></figure><p>Três das 10 ocupações estão relacionadas à agricultura. Ainda, por ano, percebe-se uma evolução no número de casos registrados de suicídios por estudantes. A partir de 2017, esse é o público que mais morreu de suicídio.</p><h3>Onde o suicídio acontece?</h3><p>A maioria dos suicídios, em números brutos, ocorreram nas regiões Sul e Sudeste. Um problema de olhar para números brutos é ignorar números relativos a população do estado. Por isso, foi dividido o número de suicídios pelo número de habitantes de cada estado. Essa variável nova chamada “taxa de suicídios” foi utilizada para a criação do mapa abaixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*izffid-g8_qaE_7od5nx4Q.png" /></figure><p>Em relação aos números brutos:</p><ul><li>Roraima registrou o menor número de suicídios (n = 402),<br>seguido por Amapá (n = 429) e Acre (n = 508).</li><li>São Paulo é o estado com maior número de registros de suicídio (n = 21970), seguido por Minas Gerais (n = 13541) e Rio Grande do Sul (n = 11860).</li><li>Vamos lembrar que a média de suicídio por ano, nesses últimos 10 anos, foi de 11249 casos ao ano. Nesse sentido, Minas Gerais colaborou para o registro de 1 ano de casos de suicídio no Brasil — o mesmo poderia ser dito do Rio Grande do Sul.</li><li>Seguindo o mesmo raciocínio, São Paulo colaborou para aproximadamente 2 anos de casos de suicídio no Brasil. No geral, esses três estados registraram 42% de todos os casos de suicídio no Brasil nesses últimos 10 anos.</li></ul><p>Proporcionalmente ao número de habitantes (número de habitantes retirados do <a href="https://cidades.ibge.gov.br/brasil/df/panorama">IBGE</a>):</p><ul><li>A menor taxa de suicídios foi no Rio de Janeiro, contabilizando 0.034% de<br>pessoas que morreram por suicídio considerando o último censo do IBGE.</li><li>Seguindo o Rio de Janeiro está o estado de Pará (0.035%), Bahia (0.037%), e Alagoas (0.037%).</li><li>Os estados com maior proporção de suicídios por número de habitantes foram Rio Grande do Sul (0.111%), Santa Catarina (0.102%) e Mato Grosso do Sul (0.093%).</li><li>Apesar de São Paulo possuir um maior número bruto de suicídios, quando<br>controlado pelo número populacional do estado a taxa de suicídio de SP (0.059%) se aproxima da média dos outros estados (0.063%).</li></ul><h3>Fechamento</h3><p>É relativamente complicado acessar os dados de suicídios no banco de dados do DATASUS. Quando acessados, muitas vezes os dados estão incompletos e exigem procedimentos demorados de limpeza. Sobre o fenômeno do suicídio, muito se pode aprender a partir desses dados. Infelizmente, algumas informações importantes parecem ainda faltantes (e.g. orientação sexual, pessoa cis ou trans, nível socioeconômico, etc.).</p><p>Caso queira aprender mais sobre o fenômeno do suicídio, recomendamos o <a href="https://www.instagram.com/tiagozortea_suicidologia/">Instagram de Tiago Zortea</a> (pesquisador de suicidologia) e <a href="https://comportamentoesociedade.com/category/suicidio/">seu blog</a>.</p><p>Buscando ajuda?</p><h3>Contato</h3><p>Espero que tenha gostado das análises. Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9469655b1269" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/suicidios-no-brasil-de-2010-a-2019-9469655b1269">Suicídios no Brasil: De 2010 a 2019</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Razão de chances (odds ratio): O que é e o que significa?]]></title>
            <link>https://medium.com/datapsico/razao-de-chances-odds-ratio-o-que-e-e-o-que-significa-8d715961f97d?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/8d715961f97d</guid>
            <category><![CDATA[psicodata]]></category>
            <category><![CDATA[teoria]]></category>
            <category><![CDATA[psicometria]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Fri, 06 Aug 2021 19:21:15 GMT</pubDate>
            <atom:updated>2023-06-17T12:30:24.922Z</atom:updated>
            <content:encoded><![CDATA[<p>Já ouviu falar na razão de chances? Se sim, fica até o final para entender um pouco mais sobre ela. Se não, te garanto que a leitura pode te ajudar a entender mais sobre essa estatística tão simples e tão poderosa.</p><p>Até o final desse artigo nós vamos:</p><blockquote>Entender uma probabilidade<br>Entender o que é uma chance<br>Entender o que é razão de chances<br>Entender algumas regras da razão de chances<br>Aplicar a razão de chances em um problema simples</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*jzIUGVbhIj406Bk9" /><figcaption>Photo by <a href="https://unsplash.com/@glencarrie?utm_source=medium&amp;utm_medium=referral">Glen Carrie</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h4>Entendendo o que é uma probabilidade</h4><p>Antes de entendermos o que é razão de chances, vamos entender o que é uma probabilidade. Digamos que você tem um dado de seis lados e você quer saber qual a probabilidade de conseguir o número “6” ao lançá-lo. A probabilidade de você conseguir o número 6 é de uma em seis (1/6). Você possui 6 diferentes possibilidades, e apenas uma delas é seu alvo. Logo, sua probabilidade = 1/6, aproximadamente 16,67%. Caso você deseje conseguir os números pares ao lançar o dado, sua probabilidade muda para 1/2 (ou 50%), já que três de seis lados (3/6, que pode ser simplificado para 1/2) são pares.</p><p>Digamos que amanhã há uma probabilidade de 80% de chuva. Isso significa que existe uma probabilidade de 80 em 100 de que amanhã chova.</p><p>Embora 1/6, 1/2 e 80/100 sejam <em>probabilidades</em>, não é a isso que nos referimos quando falamos de <em>chance </em>ou <em>razão de chances</em>.</p><h4>Entendendo o que é uma “chance”</h4><p>Antes de entendermos o que é razão de chances, vamos entender o que é uma chance. Voltemos ao exemplo inicial. Digamos que você tem um dado de seis lados e você quer saber qual a chance de conseguir o número “6” ao lançá-lo. Perceba que agora não queremos mais saber a probabilidade, mas sim a chance de isso acontecer. Entretanto, antes de descobrirmos a chance, precisamos entender a probabilidade do evento acontecer.</p><p>A probabilidade de conseguir o número 6, como vimos, é de 1/6. Você possui 6 diferentes possibilidades, e apenas uma delas é seu alvo.</p><p>A chance é calculada como a probabilidade de ocorrência sobre a probabilidade da não ocorrência:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GKub5msMN-baZD8zKhW1LQ.png" /></figure><p>De forma crua, a <em>chance </em>calcula quantas vezes a probabilidade de ter efeito é maior ou menor do que a probabilidade de não ter efeito. Perceba que se a chance for igual a 1, a probabilidade de ter efeito e de não ter efeito é a mesma. Se a chance for menor a 1, a probabilidade de ter efeito é menor do que a probabilidade de não ter efeito. E se a chance for maior que 1, a probabilidade de ter efeito é maior que a probabilidade de não ter efeito.</p><p>Vamos entender tanto a parte de cima quanto a de baixo dessa equação:</p><ul><li>Probabilidade de ter efeito: é a probabilidade de você conseguir o número 6 que, como vimos, é uma em seis (1/6).</li><li>Probabilidade de não ter efeito: é a probabilidade total de efeito (100%, ou 1) subtraída pela probabilidade de efeito. Ou seja, se a probabilidade de efeito é <em>p</em>, a probabilidade de não ter efeito é 1-<em>p</em>. Nesse caso, 1-<em>p</em> é igual a 1-(1/6).</li></ul><p>Fazendo as devidas substituições, conseguimos nossa chance para conseguir o número 6 em um dado. Note que a mesma chance serve tanto para conseguir o número 6 quanto para conseguir o número 5, ou o número 2, e assim por diante. A chance que estamos calculando é a de conseguir um número específico em um dado, que está apresentada a seguir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/1*MVJeZrARhe5ViccVowGz5w.png" /><figcaption>Chance de conseguir um número específico em uma jogada de um dado de seis faces</figcaption></figure><p>Assim, a chance de conseguir o número 6 é de 0,20 em uma jogada de dado. Agora, o que significa 0,20? Que a cada jogada de dado, temos 0,20 chances de conseguir o número 6 contra uma chance de não conseguir esse número. A nossa <em>chance </em>é de 0,20 contra 1. Como o número 1 é cinco vezes maior que o número 0,20, também poderíamos dizer que existe cinco vezes mais chances de conseguir qualquer outro número!</p><blockquote>Perceba, justamente, que existem outros 5 números!</blockquote><p>Resumindo: nossa chance de conseguir o número 6 em uma jogada de dado é de 0,20 para 1. Para deixar ainda mais nítido o conceito de chance, vamos trabalhar os nossos outros dois exemplos.</p><p><strong>Exemplo 2: Qual a chance de conseguir um número par ao jogar um dado de seis faces?</strong></p><p>Vamos começar entendendo qual a probabilidade de efeito e a probabilidade de não ter efeito.</p><ul><li>Probabilidade de efeito: a probabilidade de conseguir um número par ao jogar um dado de seis faces é de 3/6, ou 1/2. Isso porque existem 3 números pares em um dado de 6 faces (3/6, ou 1/2).</li><li>Probabilidade de não ter efeito: a probabilidade de não ter efeito é igual à 1-<em>p</em>. Substituindo, é igual a 1 — probabilidade de ter efeito. Assim, nossa probabilidade de não ter efeito é igual a 1–1/2, que é igual a 1/2.</li></ul><p>Agora, basta substituir esses valores na equação:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/637/1*TLYN_J4ph5irFLcNGIvoFg.png" /><figcaption>Chance de conseguir um número par em uma jogada de um dado de seis faces</figcaption></figure><p>Opa, como assim a chance de conseguir um número par em uma jogada de um dado de seis faces é igual a 1? Isso significa que eu tenho 100% de probabilidade de conseguir um valor par em uma jogada de um dado de seis faces?!</p><p>NADA DISSO! A chance de conseguir um número par em uma jogada de um dado de seis faces é de 1 para 1. Ou seja, a probabilidade de conseguir é de 50%. E a probabilidade de não conseguir é 50% também. Esse exemplo é perfeito para exemplificar que, quanto mais perto uma chance é de 1, mais equilibrada é a possibilidade de conseguir o efeito sobre a possibilidade de não o conseguir.</p><p><strong>Exemplo 3: Qual a chance de chover amanhã sendo que há uma probabilidade de 80% de chuva?</strong></p><p>Novamente, primeiro devemos obter nossa probabilidade de ter efeito, e depois nossa probabilidade de não ter efeito.</p><ul><li>Probabilidade de efeito: a probabilidade de chover é 80%, ou 80/100.</li><li>Probabilidade de não ter efeito: a probabilidade de não ter efeito é igual à 1-<em>p</em>. Substituindo, é igual a 1 — probabilidade de ter efeito. Assim, nossa probabilidade de não ter efeito é igual a 1–(80/100), que é igual a (20/100).</li></ul><p>Agora, basta substituir esses valores na equação:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0jD3wuY6jkTm9s8Ik-JrpA.png" /></figure><p>A chance de chover amanhã é igual a 4. Isso significa que existe a probabilidade de chover amanhã é 4 vezes maior que a probabilidade de não chover. Perceba que aqui fica bastante nítido que o número 4 representa quantas vezes a probabilidade de ter efeito é maior que a probabilidade de não ter efeito. A <em>chance</em>, em essência, representa exatamente isso.</p><h4>Entendendo o que é a razão de chances</h4><p>A razão de chances é a razão entre a chance de efeito sobre a chance de não efeito. Ou também sobre a chance de algo acontecer sobre a chance de não acontecer.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/1*mUtRLY3N6E7XxSSTLJkUEg.png" /></figure><p>Indo por partes:</p><ul><li>Chance de ter efeito: já sabemos que cálculo é esse, porque já o utilizamos na seção anterior. É a probabilidade de efeito (<em>p</em>) sobre a probabilidade de não efeito (1-<em>p</em>).</li><li>Chance de não ter efeito: é a probabilidade de não ter efeito (que é chamada de <em>q</em>) sobre a probabilidade de ter efeito (1-<em>q</em>), ou <em>p</em>.</li></ul><p>Resumindo, a razão de chances é uma razão entre a chance de ter um efeito sobre a chance de não ter um efeito. Ela calcula quantas vezes a chance de ter um efeito é maior do que a chance de não ter esse efeito.</p><p>Vamos voltar para o exemplo do dado. Digamos que você tem um dado de seis lados e você quer saber qual a razão de chances entre conseguir o número “6” ao lançá-lo e não conseguir esse número.</p><ul><li>Chance de ter efeito: como vimos, ela é de 0,2.</li><li>Chance de não ter efeito: ela é a probabilidade de não ter efeito sobre a probabilidade de ter efeito. Ou seja, 5/6 dividido por 1/6. Isso é igual a 5.</li></ul><p>Substituindo isso na equação:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ynG72kn4y1tWtg3o4cRVRA.png" /></figure><p>A razão de chances, então, é a divisão entre essas duas chances:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PKDq1-60mO7wv9zYTvfPaQ.png" /></figure><p>A razão de chances (RC) entre conseguir o número “6” ao lançar um dado de seis faces e não conseguir é de 0,04. Como é muito difícil para mim entender razões de chances abaixo de 1, gosto sempre de trocar o denominador pelo numerador a fim de entender melhor o efeito quando a RC é menor que 1.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KYOLMwsYiwAvWZZN2aXd3g.png" /></figure><p>Podemos agora interpretar isso de uma maneira diferente. A chance de não conseguir o número 6 em uma jogada de dado é 25 vezes maior do que a chance de conseguir o número 6 ao jogar o dado.</p><p>Perceba que estamos falando sobre as chances. Apenas isso, não estamos nos referindo à probabilidade de conseguir o número ou não (algo que estaria mais próximo do conceito de <em>chance</em> e da interpretação inicial que fizemos).</p><p><strong>Exemplo 2: Qual a razão de chances entre conseguir um número par ao jogar um dado de seis faces e não conseguir um número par?</strong></p><p>Vamos continuar nosso processo a partir da fórmula da razão de chances.</p><ul><li>Chance de ter efeito: como vimos, nesse exemplo, a chance de conseguir um número par é de 1 para 1. Ou seja, a chance é igual a 1.</li><li>Chance de não ter efeito: ela é a probabilidade de não ter efeito sobre a probabilidade de ter efeito. Ou seja, 1/2 dividido por 1/2. Isso é igual a 1 novamente.</li></ul><p>Podemos prosseguir direto para o cálculo da razão de chances:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vXFFsYkCAsyDGK-B86kV2Q.png" /></figure><p>Notamos algo semelhante ao que vimos quando estávamos falando de <em>chance</em>. A razão de chances entre conseguir um número par e a chance de não conseguir é igual a 1. Ou seja, as chances de conseguir ou não um número par são iguais!</p><p>De fato, a razão de chances busca mostrar com nitidez a diferença entre a chance de um efeito ocorrer e a chance do evento não ocorrer. Para situações que nem as que apresentamos até agora, talvez ela não seja tão útil.</p><h4>Algumas regrinhas da razão de chances</h4><p>Uma questão importante da razão de chances é que ela não é linear. Um efeito nulo de razão de chances ocorre quando RC = 1. Isso ocorre porque se a RC é igual 1, significa que a chance de algo ocorrer sobre a chance de algo não acontecer é a mesma.</p><p>Da fórmula da razão de chances, tiramos algumas conclusões:</p><ol><li>Não é possível termos uma razão de chances negativa. Se tiver isso, tem algo de errado no cálculo porque nenhuma chance pode ser negativa.</li><li>A razão de chances se aproxima de 0, mas nunca chega a 0.</li><li>Podemos calcular o intervalo de confiança para a razão de chances. Quando isso é feito e os valores do intervalo ultrapassam 1, significa que o efeito é provavelmente nulo na população.</li></ol><h4>Qual o uso da razão de chances? Um exemplo prático</h4><p>A razão de chances pode servir para entender o tamanho de efeito da relação entre duas variáveis categóricas. O cálculo só pode ser feito, entretanto, com um recorte de duas variáveis categóricas binárias.</p><p>Vamos imaginar que você chefia um laboratório. Você deseja diminuir o máximo possível afastamentos por doença. Para isso, você inicia um programa de vacinação de pneumonia para quem trabalha na empresa. Você escolhe a vacina da pneumonia porque ultimamente os afastamentos têm ocorrido devido à essa enfermidade. Após a encomenda das vacinas, você recebe um aviso de que houve um problema durante a fabricação e que você só receberá vacinas o suficiente para metade das pessoas do laboratório. Até as vacinas ficarem prontas novamente, você mantém um registro da saúde de quem trabalha na empresa. Esse exemplo é descrito <a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3900058/">aqui</a>.</p><p>Depois de um tempo, você possui essas informações:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*0EpTdqNF2Xd0O8Rco-z7Gw.png" /></figure><p>Utilizando o que aprendemos, podemos nos perguntar:</p><ol><li>Quais as chances de alguém que tomou a vacina contrair pneumonia?</li></ol><p>Se fizermos essa pergunta, nossa razão de chances é:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/988/1*DyXNC8DPL8Bz2ZgiEkB_kw.png" /></figure><p>Para o numerador, a “chance de ter pneumonia para quem não tomou a vacina” é igual à quantidade de pessoas que não tomaram a vacina e estão doentes com pneumonia (23)÷ quantidade de pessoas que não tomaram a vacina e estão sem pneumonia (61). Assim, numerador = 23/61.</p><p>Para o denominador, a “chance de ter pneumonia para quem tomou a vacina” é igual à quantidade de pessoas que tomaram a vacina e estão doentes com pneumonia (5)÷ quantidade de pessoas que tomaram a vacina e estão sem pneumonia (77). Assim, denominador = 5/77.</p><p>Logo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*WCaMRSkt4f3PSN5zSn4wAA.png" /></figure><p>Interpretamos com isso que para cada chance de o grupo que tomou a vacina possui de ter pneumonia, existem 5.81 chances de o grupo que não tomou a vacina de ter pneumonia. Dizendo de uma forma mais contundente: existe 5.81 vezes mais chances de se contrair pneumonia quando não se toma a vacina.</p><blockquote>Perceba que você poderia ter considerado o grupo “Doente sem pneumonia” como também “não tendo pneumonia”. Eu resolvi separar isso porque queria mostrar que podemos usar a razão de chances com variáveis categóricas que não são binárias.</blockquote><p>2. Quais as chances de alguém que tomou a vacina de ter alguma doença que não seja pneumonia?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uJ-pxg1JX-hiH3Yyexxbqw.png" /></figure><p>Para o numerador, a “chance de ter outra doença para quem não tomou vacina” é igual à quantidade de pessoas que não tomaram a vacina e estão doentes sem pneumonia (8)÷ quantidade de pessoas que não tomaram a vacina e estão sem pneumonia (61). Assim, numerador = 8/61.</p><p>Para o denominador, a “chance de ter outra doença para quem tomou a vacina” é igual à quantidade de pessoas que tomaram a vacina e estão doentes sem pneumonia (10)÷ quantidade de pessoas que tomaram a vacina e estão sem pneumonia (77). Assim, denominador = 10/77.</p><p>Logo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/644/1*3EZWrXRUVEInOtMzS4oRdA.png" /></figure><p>Note que a razão de chances é praticamente 1. Podemos concluir então que não há efeito da vacina sobre outros tipos de enfermidade! Conseguimos concluir isso porque para cada 1 chance (lê-se: uma chance) de se ter outra doença que não seja pneumonia para quem tomou vacina, há também 1 chance (lê-se: uma chance) de se contrair outra doença que não seja pneumonia para quem tomou a vacina. Para mim, é fantástico que conseguimos determinar isso a partir de cálculos tão simples.</p><p>Espero que você tenha entendido mais sobre razão de chances! Para mim, ela é uma das estatísticas mais poderosas para se avaliar o efeito da relação entre duas variáveis categóricas. Se quiser mais materiais, os links abaixo podem ajudar:</p><ul><li><a href="https://www.youtube.com/watch?v=3bj-ftwpS1I">Como calcular e Interpretar o Odds-Ratio (Razão de Chances) no Qui-Quadrado</a></li><li><a href="https://pt.wikipedia.org/wiki/Raz%C3%A3o_de_possibilidades">Razão de possibilidades</a></li><li><a href="https://www.youtube.com/watch?v=8nm0G-1uJzA">StatQuest: Odds Ratios and Log(Odds Ratios)</a></li></ul><h3>Contato</h3><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8d715961f97d" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/razao-de-chances-odds-ratio-o-que-e-e-o-que-significa-8d715961f97d">Razão de chances (odds ratio): O que é e o que significa?</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Fofoca psicométrica: inventando resultados na Psicologia Positiva]]></title>
            <link>https://medium.com/datapsico/fofoca-psicometrica-inventando-dados-na-psicologia-positiva-e4bcba8a063c?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/e4bcba8a063c</guid>
            <category><![CDATA[teoria]]></category>
            <category><![CDATA[psicodata]]></category>
            <category><![CDATA[psicometria]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Mon, 31 May 2021 21:21:59 GMT</pubDate>
            <atom:updated>2021-05-31T21:25:40.792Z</atom:updated>
            <content:encoded><![CDATA[<h4>(ou um tutorial de falsificação de resultados)</h4><p>Hoje nós vamos falar sobre os custos de se terceirizar a análise de dados em sua pesquisa sem se importar em como a análise é feita. A história de hoje é sobre a <a href="https://en.wikipedia.org/wiki/Barbara_Fredrickson">Barbara Fredrickson</a>, uma das mais renomadas autoras na área da Psicologia Positiva. O que aconteceu com ela em 2005 foi BIZARRO e diz muito sobre como nós da psicologia precisamos atentar para uma modelagem ética e justa de nossos dados.</p><blockquote>Se você não quiser ler tudo, saiba apenas que: Fredrickson publicou um achado científico que teve alcance mundial, publicou livros a partir desse achado e divulgou seu trabalho em tudo quanto era lugar. Ela não sabia analisar seus dados, então teve ajuda do seu co-autor <a href="https://en.wikipedia.org/wiki/Marcial_Losada">Marcial Losada</a>. Marcial Losada falsificou o método de análise e ela foi amplamente criticada pelo seu estudo após oito anos de sua publicação.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*0FBl-o3d1Y4dKdmS" /><figcaption>Ao contrário do que muita gente pensa, <a href="https://blog-online.pucrs.br/public/o-que-e-psicologia-positiva/">Psicologia Positiva</a> <strong>não </strong>envolve “pensar positivo”. Porém, a foto traduz bem a esperança que as pessoas têm ao minerar dados de pesquisas. Photo by <a href="https://unsplash.com/@sonance?utm_source=medium&amp;utm_medium=referral">Viktor Forgacs</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a>.</figcaption></figure><h4><strong>A pesquisa em si</strong></h4><p>A pesquisadora <a href="https://en.wikipedia.org/wiki/Barbara_Fredrickson">Barbara Fredrickson</a> já tinha renome por ter proposto <a href="https://en.wikipedia.org/wiki/Broaden-and-build">a teoria de broaden-and-build</a> que busca explicar o motivo pelo qual emoções positivas existem. Porém, foi em outubro de 2005 que uma das mais renomadas autoras em Psicologia Positiva publicou o artigo intitulado “Afetos positivos e a dinâmica complexa do florescimento humano” (em inglês, <a href="https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3126111/"><em>Positive affect and the complex dynamics of human flourishing</em></a>). Nesse artigo, Fredrickson e seu co-autor, <a href="https://en.wikipedia.org/wiki/Marcial_Losada">Marcial Losada</a>, investigam se existe uma razão de emoções positivas sobre emoções negativas que dividem as pessoas que estão florescendo das que não estão.</p><p>De maneira bem breve, <em>florescer</em> significa experimentar mais emoções positivas do que negativas, possuir propósito na vida e sentir-se em constante crescimento pessoal (<a href="http://www.psicoterapiaeafins.com.br/2021/01/14/florescer-a-psicologia-da-vida-que-vale-a-pena-ser-vivida/">aqui está uma referência bacana que achei</a>). Existem pessoas que estão nessa espiral positiva de crescimento (que estão florescendo) e outras que não estão.</p><blockquote>A pergunta do artigo era: será que existe uma razão que divida quem está florescendo de quem não está?</blockquote><p>A questão é simples: quantas emoções positivas eu preciso sentir para compensar uma emoção negativa e começar a florescer? Fredrickson e Losada identificaram que a razão de <strong>2.9 emoções positivas para 1 emoção negativa</strong> separava quem estava florescendo em suas vidas de quem não estava. Essa razão foi chamada de “razão crítica da positividade” (<a href="https://en.wikipedia.org/wiki/Critical_positivity_ratio"><em>critical positivity ratio</em></a>, em inglês). “Crítica” no sentido de que, quem passasse dela, estaria entrando no estado de florescimento.</p><p>Parece inacreditável que tenhamos esse conhecimento tão específico nas ciências humanas. <strong>Parece bastante inacreditável porque essa “razão crítica da positividade” não existe. </strong>A análise de dados conduzida foi totalmente inventada pelo co-autor de Fredrickson. Ele criou números e fórmulas buscando o resultado de 2.9, porque isso estava de acordo com pesquisas que ele e Fredrickson haviam formulado antigamente. Ele usou um conhecimento que muito nitidamente não dominava. Tratou de derivadas e analisou dados psicométricos com fórmulas provenientes da Física, mais especificamente da <a href="https://pt.wikipedia.org/wiki/Mec%C3%A2nica_dos_fluidos">mecânica de fluidos</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yMxHW9scwWWwgBoQssvjjA.png" /><figcaption>A fórmula que Losada criou para analisar os dados. Sinceramente, não faço ideia do que tá acontecendo, mas como assim uma constante matemática vai ter o valor “8/3”? De onde saiu isso? Como ninguém questionou isso durante o processo de revisão do artigo? Ficam aí vários questionamentos…</figcaption></figure><h4>A fantástica história da crítica ao artigo de Fredrickson e Losada</h4><p>O que mais me assusta nessa história toda não é a Fredrickson não entender a análise de dados realizada por Losada porque francamente eu não tenho ideia do que ele pensou também. Eu nem conheço sobre mecânica de fluidos. Os seguintes pontos me apavoram nessa história toda:</p><ol><li>O artigo foi lido por quem era responsável pela revista e mais dois pareceristas. Nenhuma dessas pessoas criticaram a análise de dados ou a veracidade da afirmação da razão de 2.9/1.</li><li>Fredrickson confiou cegamente na análise. Ela disse em um artigo de retratação que realmente não tinha ideia de como isso foi feito. Mas também não buscou se informar ou corroborar a acurácia das análises com outras pessoas.</li><li>A “razão crítica da positividade” rendeu muitos frutos para a Fredrickson e para outros pesquisadores. A pesquisa dela foi citada mais de 3000 vezes de 2005 até hoje. Aposto que muitas das citações não conhecem o trabalho de crítica ao método do artigo.</li></ol><p>A crítica ao artigo de Fredrickson e Losada veio em 2013, no artigo intitulado “A dinâmica complexa do pensamento positivo: A razão crítica da positividade” (<em>The complex dynamics of wishful thinking: The critical positivity ratio</em>, em inglês). O autor principal desse artigo se chama Nick Brown.</p><p>Nick era um contador, já tinha 50 anos de idade e relata que ele não era “ninguém” na psicologia — o que facilitou ele olhar com criticismo o trabalho da renomada autora. Ao ser apresentado ao artigo, Nick teve a vontade de replicar os cálculos, mas ele não estava conseguindo. Quando Nick não entendeu a matemática do artigo, ele escreveu para Losada questionando sobre como os cálculos foram realizados. Nick queria aprender: ele achava que desconhecia fundamentos importantes que o co-autor de Fredrickson possuía. Losada não respondeu. <a href="https://www.theguardian.com/science/2014/jan/19/mathematics-of-happiness-debunked-nick-brown">A história completa desses acontecimentos está relatada aqui.</a></p><p>A partir daí, o estudante de mestrado foi atrás do cálculo e sentiu que alguma coisa estava errada. Tentou contato com vários nomes expoentes no campo da falsificação em pesquisa (incluindo o famoso <a href="https://pt.wikipedia.org/wiki/Alan_Sokal">Alan Sokal</a>) e, após um certo período, escreveu uma defesa forte explicando como Fredrickson e Losada inventaram os resultados de seus artigos. Apesar de ser denso, o artigo tem um tom bem engraçado e irônico, vale a pena ler.</p><p>O legal é que Nick submeteu o artigo à revista da qual Fredrickson era editora-assistente. O pessoal da revista barrou a primeira versão do artigo por causa do título muito irônico escolhido por Nick e seus colegas: “A dinâmica complexa de uma impostora intelectual”. Após algumas revisões, o artigo foi finalmente publicado. Após isso, <a href="https://www.researchgate.net/publication/249646602_Updated_Thinking_on_Positivity_Ratios">Fredrickson publicou um trabalho</a> se desculpando por não conhecer a análise de dados, culpando Losada por tudo que ele fez na análise, e reiterando a sua ideia de que deveria existir uma “razão crítica da positividade”.</p><h4>Como NÃO falsificar seus resultados</h4><ol><li>Antes de tudo, tente entender nitidamente qual o seu objetivo com a pesquisa. Isso vai ajudar muito a você delinear quais análises você deseja realizar. Geralmente, a maioria das análises em psicologia vai envolver estatísticas multivariadas básicas, sem precisar depender de mecânica de fluidos.</li><li>Você não precisa realizar as suas análises. Mesmo assim, se o trabalho é seu, você precisa compreender o básico das análises realizadas e o que elas significam. Entender o básico das análises significa conseguir explicar o raciocínio básico de como elas são realizadas. Exemplo: teste t. Em um teste t, por exemplo, as médias de dois grupos são comparadas. Quando há uma diferença grande entre duas médias, isso dá origem a um resultado significativo. Note que você não precisa saber como calcular a diferença, mas entender o básico do que foi realizado é o mínimo para discutir com qualidade a sua própria pesquisa.</li><li>Por fim, evite a TODO O CUSTO minerar os dados por resultados que você deseja alcançar. Se você realizou uma análise e ela não foi do seu agrado, isso também é um resultado importante de ser reportado. Não estamos buscando por um <a href="https://medium.com/psicodata/o-que-o-p-valor-significa-2680dc4729e8">valor de <em>p</em></a> baixo e significativo em análises, estamos buscando responder a nossa pergunta de maneira mais científica e confiável.</li></ol><p>Hoje em dia, Nick Brown é um autor que escreve críticas a estudos mal conduzidos em psicologia. Ele defende a replicação de resultados e a acessibilidade a dados. Ele possui uma longa lista de artigos escritos em crítica a outras publicações na área. Uma figura bastante interessante e que com certeza contribui para a transparência na psicologia.</p><p>Agora, sabe o que me irrita? A Barbara Fredrickson tem um <a href="http://www.positivityratio.com/">site chamado “razão da positividade”</a> e nele ela AINDA divulga coisas relacionadas à razão crítica da positividade do artigo que já está refutado. Afora isso, ela lucra vendendo o livro “positividade”, que divulga essa razão completamente fictícia. Eu acho que ela tá sendo antiética fazendo isso. E você?</p><h3>Contato</h3><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><p>☕️ Gostou do post e vai usar algo? Se quiser, <a href="https://ko-fi.com/gabrielrr">você pode me pagar um café</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e4bcba8a063c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/fofoca-psicometrica-inventando-dados-na-psicologia-positiva-e4bcba8a063c">Fofoca psicométrica: inventando resultados na Psicologia Positiva</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O que o p-valor significa?]]></title>
            <link>https://medium.com/datapsico/o-que-o-p-valor-significa-2680dc4729e8?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/2680dc4729e8</guid>
            <category><![CDATA[estatísticas]]></category>
            <category><![CDATA[teoria]]></category>
            <category><![CDATA[psicometria]]></category>
            <category><![CDATA[psicodata]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Mon, 05 Apr 2021 20:31:46 GMT</pubDate>
            <atom:updated>2022-02-25T12:15:45.397Z</atom:updated>
            <content:encoded><![CDATA[<h4>Desvendando o que <em>p </em>significa.</h4><p>O valor <em>p</em>, ou p-valor, é uma estatística muito conhecida em pesquisa quantitativa. Apesar de incorreto, é comum o pensamento de que o valor <em>p </em>indica se a pesquisa “deu certo” ou “deu errada”.</p><p>Para entender o valor <em>p</em>, vamos a um exemplo simples. Você quer avaliar se terapia com duração de seis meses teve efeito na saúde mental de 20 pessoas sofrendo de ansiedade. 20 pessoas são chamadas e seus níveis de ansiedade são avaliados antes de iniciar terapia. Essas mesmas 20 pessoas passam pelo processo terapêutico de seis meses, e seus níveis de ansiedade são novamente medidos. Você realiza um teste t-dependente para avaliar diferenças na ansiedade dessas pessoas antes e depois da terapia.</p><p>Sem entender corretamente a lógica do valor <em>p</em>, você poderia supor duas possibilidades:</p><ol><li>Se <em>p </em>for menor que 0.05, isso significa que o efeito da intervenção existe. Terapia diminui ansiedade!</li><li>Se <em>p </em>é maior que 0.05, não se pode dizer que o efeito existe. Terapia <em>não </em>diminui ansiedade.</li></ol><p>Após fazer o teste t-dependente, você recebe o resultado de que <em>p </em>= 0.01. Se <em>p </em>= 0.01, e 0.01 é menor que 0.05, <em>p </em>é menor que 0.05. Ou seja, a situação 1 foi contemplada. Você conclui, logo, que terapia diminui ansiedade.</p><p>No geral, essa lógica parece fazer sentido. Entretanto, como já mencionado, ela está errada.</p><blockquote>A próxima frase explica de maneira completa o que se pode pensar desse valor de <em>p</em>, e ela será explicada de maneira mais detalhada ao longo do texto.</blockquote><p>O correto seria afirmar o seguinte: em um mundo no qual <strong>não há diferenças</strong> entre ansiedade antes e depois da terapia, há uma probabilidade de 0.01 (1%) de que <strong>não </strong>haja diferenças entre ansiedade antes e depois da terapia, a partir dos dados que coletamos.</p><p>Nesse post, vamos entender exatamente o porquê disso.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*UlqoYNW1LFSt-L-8" /><figcaption>Photo by <a href="https://unsplash.com/@popnzebra?utm_source=medium&amp;utm_medium=referral">Pop &amp; Zebra</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h3>O que o <em>p </em>significa?</h3><p>A estatística <em>p </em>denota o seguinte:</p><blockquote>A probabilidade de se encontrar os resultados encontrados em um mundo no qual a hipótese nula seja verdadeira.</blockquote><p>Olha a loucura dessa frase. O que era pra ser só um resultado matemático virou uma questão filosófica, praticamente. Guarde bem essa frase, porque vamos voltar a ela logo mais.</p><p>Para entender essa frase por completo precisamos compreender o que é a hipótese nula. A <strong>hipótese nula </strong>é a hipótese inicial que temos em relação aos dados. Geralmente, tentamos desmentir a hipótese nula. Ou seja, a hipótese nula normalmente retrata que <strong>não</strong> existe uma relação no fenômeno medido. A hipótese nula geralmente recebe o apelido de H0.</p><p>Consegue estimar qual a hipótese nula no exemplo já mencionado?</p><blockquote>No nosso exemplo, a H0 é de que <strong>não há diferenças</strong> na ansiedade antes e depois da terapia.</blockquote><p>Nesse mesmo exemplo, quando avaliamos diferenças na ansiedade antes e depois da terapia, <em>p </em>foi igual a 0.01. Pois bem, agora podemos finalmente entender o que significa, por completo, o nosso <em>p </em>= 0.01.</p><h4>Voltando ao exemplo…</h4><p>Sabemos pela definição de <em>p </em>que o valor 0.01 se refere a uma probabilidade. Nesse caso, 0.01 é igual a 1% (isso porque 0.01 = 1/100).</p><p>Ou seja, seguindo a definição que demos acima de <em>p</em>, <strong>há uma probabilidade de 1% de encontrarmos o resultado que encontramos em um mundo no qual não há diferenças na ansiedade antes e depois da terapia.</strong></p><p>Ao explicar o exemplo, lembra que chegamos a uma conclusão lá em cima a respeito do <em>p </em>= 0.01? A conclusão foi a de que terapia diminui ansiedade. Isso não é verdade por causa do que o <em>p </em>significa.</p><p>Qual seria o correto então? Já demos a resposta lá em cima, porém vamos repeti-la.</p><p>O correto seria afirmar o seguinte: há uma probabilidade de 1% de que não haja diferenças entre ansiedade antes e depois da terapia, a partir dos dados que coletamos, em um mundo no qual não há diferenças entre ansiedade antes e depois da terapia.</p><p>Geralmente, antes de se calcular o <em>p, </em>se estabelece o valor mínimo que vamos aceitar para legitimar a hipótese nula. Esse valor é geralmente 0.05 nas ciências sociais. Ou seja, a partir de 5% de probabilidade, nós temos dados que corroboram a nossa hipótese alternativa (esse valor é chamado de alfa, ou α).</p><h3>Entendendo a importância da hipótese alternativa</h3><p>Considerando o 5% anterior, a <strong>hipótese alternativa</strong>, também conhecida como H1, é a hipótese que desejamos aceitar caso <em>p </em>seja igual ou abaixo desse valor. Nunca se deve confirmar a hipótese alternativa, apenas corroborar, legitimar, respaldar ou apoiar.</p><p>Apesar de não ter sido explícito no nosso exemplo, a hipótese alternativa era de que terapia teria efeito na ansiedade. Veja que a hipótese alternativa, nesse caso, é o oposto da hipótese nula. Enquanto a hipótese nula geralmente afirma não haver efeito, na maioria das vezes a hipótese alternativa fala sobre haver efeito.</p><p>É importante perceber uma coisa super delicada, que pode ser difícil de compreender a princípio. A probabilidade <em>p </em>refere-se à probabilidade de encontrar o resultado encontrado em um mundo onde a hipótese nula é verdadeira. É por isso que nós <strong>não podemos confirmar a hipótese alternativa</strong>. Isso porque a estatística <em>p</em> está relacionada ao mundo hipotético no qual essas diferenças <strong>não </strong>existem. Nós estamos sempre testando a probabilidade de não existir diferenças. Nós não possuímos nenhuma estimativa relacionada ao mundo no qual essa diferença realmente exista.</p><p>É por esses motivos que a hipótese alternativa deve ser feita antes de se realizar o teste de hipóteses. Se criamos uma hipótese alternativa <strong>antes </strong>de realizarmos a análise, quando nosso <em>p </em>é abaixo de 5% (ou do valor estimado de α), nós podemos corroborar a hipótese alternativa. Se criamos uma hipótese alternativa <strong>após </strong>a análise, é fácil de querer manipular a hipótese alternativa para uma que faça mais sentido aos resultados. Isso é errado e antiético, e possui um nome: <a href="https://en.wikipedia.org/wiki/HARKing">HARKing</a>; em tradução livre, hipotetizar após o conhecimento dos resultados.</p><h4>Para entender <em>p, basta entender a hipótese nula e a alternativa</em></h4><p>Com tudo o que foi dito, talvez fique nítido o seguinte: para entender <em>p</em>, basta entender qual a hipótese nula e qual a hipótese alternativa do teste. Por que isso é importante? Porque é simplório e muito limitante pensar “<em>p </em>abaixo de 0.05 é bom e <em>p </em>acima de 0.05 é ruim.”</p><p>Essa lógica</p><p>Eu havia dito anteriormente que, geralmente, a hipótese nula retrata a falta de efeito. Isso é verdade. Enquanto na maioria dos casos isso acontece, isso não é comum em todas análises estatísticas.</p><p>A análise de Shapiro-Wilk, por exemplo, busca entender se há <a href="https://medium.com/psicodata/usando-r-para-avaliar-a-normalidade-14482a27cf60">normalidade nos dados</a>. Nesse teste, as hipóteses são as seguintes:</p><p>H0. Há normalidade.</p><p>H1. Não há normalidade.</p><p>Ora, geralmente o que queremos nesse teste é aceitar a H0 para poder utilizar testes paramétricos. Logo, <em>p</em> <strong>maior </strong>que 0.05 seria “bom”; falando de maneira mais acurada, <em>p</em> maior que 0.05 indicaria a normalidade dos dados.</p><p>Outro exemplo ótimo para entender a necessidade de compreender a hipótese nula e alternativa é o caso do <a href="https://medium.com/psicodata/quando-seus-resultados-nao-sao-significativos-um-caso-para-teste-de-equivalencia-eadddd8f18a0">teste de equivalência, explicado em detalhes nesse post</a>.</p><p>H0. Há uma diferença com tamanho de efeito pelo menos igual a x (x é um número escolhido).</p><p>H1. Não há diferença com tamanho de efeito pelo menos igual a x (x é um número escolhido).</p><p>Nesse caso, se o resultado é não significativo, temos evidências que apontam para uma diferença que “é significativamente importante para levarmos em consideração, dado o menor tamanho de efeito de interesse”. O teste de equivalência é muito útil quando possuímos, por exemplo, um número amostral pequeno. Isso porque, lembrando, se o número amostral for pequeno, é difícil termos um <em>p</em> muito pequeno ou significativo.</p><h4>Uma tabela para ajudar</h4><p>Entender o que o <em>p </em>significa pode ser difícil, especialmente no início dos estudos em estatística. Essa parte de inferência estatística requer, como vimos nesse post, uma imaginação fértil. Isso porque temos que imaginar um mundo no qual a hipótese nula seja verdadeira, para daí testarmos isso e, caso tenhamos uma hipótese alternativa e <em>p </em>for menor que α, corroborar a H1. UFA, QUANTA COISA!</p><p>Essa tabela abaixo pode ajudar um pouco mais (nota-se que o alfa escolhido foi de 0.05, mas ele bem poderia ser de 0.1 ou até 0.001).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*G5r8lNgQWf8QvAMu3ePKnQ.png" /></figure><h3>O problema de p</h3><p>O grande problema associado ao<em> p</em> é de que o seu valor tende a ficar pequeno com um número amostral grande. Quando temos muitas pessoas e fazemos testes de hipótese, nosso <em>p </em>pode ficar bem pequeninho, indicando uma probabilidade minúscula de obter os resultados obtidos em um mundo no qual a H0 seja verdadeira.</p><p>Assim, um valor de <em>p </em>muito pequeno <strong>não significa um efeito grande</strong>. Já que o cálculo de <em>p </em>é sensível a um número amostral grande, qualquer efeito seria significativo com mais de 1000 pessoas (essa é uma afirmação abrangente, obviamente).</p><p>Tamanho de efeito e significância estatística (medida pelo <em>p</em>) são coisas diferentes. Dessa forma, um <em>p </em>menor que 0.05 já é o suficiente para corroborarmos a hipótese alternativa, esquecer o <em>p</em> a partir daí, e ir para o cálculo específico que mede o tamanho desse efeito.</p><p>Outra coisa interessante de se fazer é pesquisar sobre testes de hipótese bicaudais e unicaudais. No exemplo dado, se a H1 fosse de que terapia diminui a ansiedade (e esse resultado fosse apontado na análise), poderíamos dividir o valor de <em>p </em>por 2, obtendo <em>p </em>= 0.005. Ou seja, nosso teste seria um pouco mais robusto. Mas isso já é assunto para outro post.</p><h3>Contato</h3><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2680dc4729e8" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/o-que-o-p-valor-significa-2680dc4729e8">O que o p-valor significa?</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mais de 1000 bancos de dados de psicologia para analisar]]></title>
            <link>https://medium.com/datapsico/mais-de-1000-bancos-de-dados-de-psicologia-para-analisar-1b056572baea?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/1b056572baea</guid>
            <category><![CDATA[psicologia]]></category>
            <category><![CDATA[tutorial]]></category>
            <category><![CDATA[banco-de-dados]]></category>
            <category><![CDATA[ciência-de-dados]]></category>
            <category><![CDATA[psicodata]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Fri, 05 Mar 2021 19:48:51 GMT</pubDate>
            <atom:updated>2022-01-19T13:04:58.260Z</atom:updated>
            <content:encoded><![CDATA[<h4>Esse post é para você que quer treinar suas análises de dados com novos bancos</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*fkVsHC5fGzLtK9Gu" /><figcaption>Photo by <a href="https://unsplash.com/@sortino?utm_source=medium&amp;utm_medium=referral">Joshua Sortino</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Durante nossa jornada em estatística e análise de dados, um passo muito importante é a independência e a autonomia na realização das análises. Desse jeito, não é incomum aprendermos sobre análise de dados a partir de aulas ou tutoriais na internet. Entretanto, esses tutoriais muitas vezes são limitados e os bancos de dados que estudamos acabam se repetindo com o tempo.</p><p>Junto dessa limitação, já escutei mais de uma vez para procurar bancos de dados novos para analisar, que é necessário construir um portfólio com bancos diferentes, etc. Porém, a informação de onde esses bancos de dados estão não é sistematizada e nem está disponível de forma fácil. Isso só dificulta a localização desses bancos e atravanca o nosso objetivo de realizar análises diferentes. Dessa forma, eu raramente tive a oportunidade de explorar um banco de dados DO ZERO. É para isso que criei esse artigo com sites contendo bancos de dados em psicologia. Espero que essa publicação te ajude a encontrar bancos de dados interessantes e promissores em psicologia.</p><blockquote>DICA: dê “palmas” no Medium e salve o artigo para acessá-lo sempre que quiser.</blockquote><h3>Repositórios focados apenas em Psicologia</h3><h4><a href="https://www.psycharchives.org/simple-search?query=dataset">PsychArchives</a></h4><p>O PsychArchives é um repositório com bancos de dados de Psicologia mantido pelo Instituto para Informação Psicológica de Leibniz. A maioria dos bancos de dados são de pesquisas, o que garante uma boa documentação das variáveis dos bancos de dados, assim como uma garantia maior na qualidade dos construtos estudados.</p><p><strong>Quantidade de bancos: </strong>+250</p><h4><a href="https://osf.io/mbvk4/">Open Psychological Datasets</a></h4><p>O site é patrocinado pela iniciativa de <em>Open Science </em>— o movimento de ciência aberta, cujo objetivo é a divulgação e a promoção de práticas honestas em pesquisa. Uma dessas práticas é a disponibilização dos bancos de dados utilizados nos estudos científicos. Você pode acessar o link abaixo, baixar o documento de Excel e abrir os bancos de dados disponibilizados junto com suas descrições.</p><p><strong>Quantidade de bancos: </strong>+150</p><h4><a href="https://openpsychometrics.org/_rawdata/">Open-Source Psychometrics Project</a></h4><p>A Open-Source Psychometrics Project é um projeto que coleta dados de testes psicológicos pela internet há mais de 10 anos, contendo a partir de 47 bancos de dados focados em instrumentos de personalidade, de atitudes, entre outros. Inclusive, <a href="https://medium.com/psicodata/corrigindo-uma-escala-psicometrica-com-r-bfd6340f9609">já utilizamos um banco de dados desse projeto aqui no PsicoData</a>. No site você vai encontrar bancos de dados que usam, por exemplo, a Escala de Autoestima de Rosenberg, Teste de 16 Fatores de Personalidade de Cattell, e muitos mais.</p><p><strong>Quantidade de bancos: </strong>+45</p><h4><a href="https://open-data.spr.ac.uk/search/type/dataset">Psi Open Data</a></h4><p>Um repositório com bancos de dados de pesquisas realizadas no campo da psicologia. Conta com vários bancos de dados interessantes na área de Psicologia Cognitiva. Ainda, você pode personalizar a sua busca por bancos de dados na própria plataforma. Esse repositório também é mantido sob a perspectiva de <em>Open Data</em> e <em>Open Science</em>.</p><p><strong>Quantidade de bancos:</strong> +20</p><h3>Repositórios de diversas áreas, inclusive Psicologia</h3><h4><a href="https://www.kaggle.com/search?q=tag%3A%22psychology%22+in%3Adatasets">Kaggle</a></h4><p>A plataforma Kaggle é ideal para quem quer aprender sobre <em>machine learning</em> e ciência de dados. Diversas competições (com prêmios!) são organizadas pela equipe do Kaggle, sendo que o site conta com bancos de dados de várias áreas diferentes. A maioria dos bancos de dados dessa plataforma possuem como foco o ensino e treinamento em aprendizado de máquina e inteligência artificial. Como nós do PsicoData <a href="https://medium.com/ensina-ai/inteligencia-artificial-saude-psicologia-psiquiatria-23dbdbcb2e17">percebemos que a inteligência artificial está em crescimento em Psicologia</a>, vale a pena recomendar o Kaggle. Ah, inclusive <a href="https://medium.com/psicodata/baixando-e-processando-dados-do-datasus-sobre-suic%C3%ADdio-com-python-656afa17f6ad?source=---------1-----------------------">criamos um banco de dados para o Kaggle</a> (ele pode ser acessado <a href="https://www.kaggle.com/psicodata/dados-de-suicdio-no-brasil-2014-a-2018">aqui</a>).</p><blockquote>Ainda sobre machine learning, vale citar o repositório <a href="https://archive.ics.uci.edu/ml/datasets.php?format=&amp;task=&amp;att=&amp;area=soc&amp;numAtt=&amp;numIns=&amp;type=&amp;sort=nameUp&amp;view=table">UCI Machine Learning Repository</a>, com mais de 585 bancos de dados, sendo 36 desses focados em ciências sociais.</blockquote><p><strong>Quantidade de bancos: </strong>+180 (apenas em Psicologia)</p><h4><a href="https://beta.ukdataservice.ac.uk/datacatalogue/studies/#!?Search=psychology&amp;Rows=10&amp;Sort=1&amp;DateFrom=440&amp;DateTo=2021&amp;Page=1">UK Data Service</a></h4><p>O UK Data Service é um serviço mantido pelo Reino Unido com dados populacionais de pesquisas lá realizadas. Os bancos requerem maior trabalho na parte de organização e limpeza de dados, mas ainda assim esse repositório conta com mais de 700 bancos de dados em Psicologia, podendo ser útil para quem quer se aventurar um pouco.</p><p><strong>Quantidade de bancos: </strong>+700 (apenas em Psicologia)</p><h4><a href="https://www.re3data.org/search?query=psychology">re3data.org</a></h4><p>Essa publicação não seria feita sem esse site. Ela simplesmente não existiria. Achar bancos de dados online é algo que, fora da plataforma Kaggle, tende a não ser tão simples. A maioria dos links enviados por aqui foram encontrados no Registro de Repositórios de Dados em Pesquisas, o <a href="https://www.re3data.org/">re3data.org</a>. Com uma pesquisa rápida, é possível encontrar diversos repositórios de bancos de dados em áreas de conhecimento específicas. Ou seja, um site para encontrar repositórios para que nesses repositórios você encontre um banco de dados.</p><p><strong>Quantidade de repositórios: </strong>47 (apenas em Psicologia)</p><p><a href="https://github.com/rgllm/awesome-portugal-data"><strong>Awesome Portugal Data</strong></a><strong> (atualização em 19/jan de 2022)<br></strong>O único repositório em português dessa lista. O Awesome Portugal Data reúne diversos repositórios de dados abertos em Portugal. Essa iniciativa foi criada por <a href="http://rgllm.com/">Rogério Moreira</a>. Os bancos de dados trazem diversos dados sobre Portugal, incluindo estatísticas de municípios, quantidade de óbitos, dados de jornais, etc. Vale a pena dar uma conferida. Esse repositório só foi adicionado graças à dica feita por José Neta.</p><h4>Reparou que nenhum repositório desses é em português?</h4><p>Parece que a barreira do idioma ainda nos impede de acessar alguns materiais. Infelizmente eu não encontrei nenhum repositório de bancos de dados em português. Além disso, a maioria dos sites possui um “design-não-muito-intuitivo”, o que pode também dificultar a localização e download de bancos de dados (atualização: em 19 de janeiro de 2022, com a contribuição de José Neta, o repositório <em>Awesome Portugal Data </em>foi adicionado).</p><p>Levando tudo isso em consideração, acredito que essa sistematização de repositórios pode ajudar muito quem procura por novos bancos de dados em Psicologia. Pessoalmente, penso que estou agora um passo na frente de onde estava antes quando se trata de achar e analisar um banco de dados do zero.</p><blockquote>Se você souber de algum repositório para adicionar à lista, comenta aí que eu atualizo o post!</blockquote><h3>Contato</h3><p>Espero que tenha gostado! Qualquer dúvida, observação ou comentário são muito bem-vindos! Fique à vontade para se manifestar e vamos aprender juntos 😄</p><p>Para falar comigo, é só entrar em <a href="https://linktr.ee/gabrielrr">qualquer um desses links</a>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1b056572baea" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/mais-de-1000-bancos-de-dados-de-psicologia-para-analisar-1b056572baea">Mais de 1000 bancos de dados de psicologia para analisar</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como é trabalhar com dados sendo da Psicologia?]]></title>
            <link>https://medium.com/datapsico/como-%C3%A9-trabalhar-com-dados-sendo-da-psicologia-e805b7801ebd?source=rss-c39371fd031c------2</link>
            <guid isPermaLink="false">https://medium.com/p/e805b7801ebd</guid>
            <category><![CDATA[newsletter]]></category>
            <dc:creator><![CDATA[Gabriel Rodrigues]]></dc:creator>
            <pubDate>Fri, 11 Dec 2020 19:57:23 GMT</pubDate>
            <atom:updated>2020-12-11T19:57:23.261Z</atom:updated>
            <content:encoded><![CDATA[<p>As duas publicações mais lidas no PsicoData são sobre isso.</p><p>Nesses últimos meses, quatro diferentes pessoas colaboraram com o <a href="https://medium.com/psicodata">conteúdo postado no PsicoData</a>. Uma delas foi a <a href="https://medium.com/www.linkedin.com/in/paulavcosta">Paula Vargas</a>, graduanda de psicologia e profissional muito dedicada no trabalho com dados.</p><p>As duas postagens mais lidas no PsicoData são dela! As duas falam sobre as experiências da Paula trabalhando com dados e psicologia.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*1NFLMnQy7qazrHakuGtmPw.png" /></figure><p>A primeira postagem da <a href="https://medium.com/psicodata/dados-e-psico-5-li%C3%A7%C3%B5es-que-eu-gostaria-de-ter-ouvido-no-in%C3%ADcio-951b6a94149a">Paula fala sobre as 5 lições que ela gostaria de ter ouvido no início de sua carreira</a>. Aqui ela pinta um belo retrato sobre suas dificuldades iniciais, preconceitos que enfrentou por ser da psicologia e as descobertas que foi fazendo no caminho.</p><p>Na sua segunda postagem (<a href="https://medium.com/psicodata/qual-hist%C3%B3ria-seus-dados-contam-visualiza%C3%A7%C3%A3o-de-dados-e-data-storytelling-4585af8d4681"><em>Qual história seus dados contam?</em></a>), a Paula abordou um pouco mais sobre a importância da visualização de dados. Aqui ela deu dicas essenciais que todo mundo precisa ter em mente no momento de explorar e de apresentar os resultados para outras pessoas que não são da área de dados.</p><p>Espero que você possa ler esses posts e explorar um pouco mais o PsicoData!</p><p>Qualquer dúvida, sugestão, crítica ou comentário, é só falar com a gente através do datapsico@gmail.com :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e805b7801ebd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datapsico/como-%C3%A9-trabalhar-com-dados-sendo-da-psicologia-e805b7801ebd">Como é trabalhar com dados sendo da Psicologia?</a> was originally published in <a href="https://medium.com/datapsico">Datapsico</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>