Por Paul Leonardi e Noshir Contractor
Avalie quem elas conhecem, não apenas quem são.
Temos gráficos e tabelas para nos apoiar. Isso é o que importa. ”Há alguns anos, os recém-contratados do departamento de analytics da Google recebiam um adesivo para laptop com esses dizeres, provavelmente porque o grupo sentia que precisava defender seu trabalho. Naquela época, people analytics — o uso de insights estatísticos de dados de funcionários na gestão de talentos — ainda era uma ideia provocativa: muitos céticos temiam que levasse as empresas a reduzir os indivíduos a números. O RH coletava dados sobre os funcionários, mas a noção de que poderiam ser ativamente explorados para compreendê-los e gerenciá-los era nova — e suspeita.
Hoje não há necessidade de adesivos. Mais de 70% das empresas dizem que consideram altamente prioritária o people analytics. O campo até celebrou estudos de caso, como o Oxygen Project, da Google, que descobriu as práticas dos melhores gestores da gigante de tecnologia e as adotou em sessões de treinamento para melhorar o trabalho de funcionários de baixo desempenho. Outros exemplos, como os experimentos da Dell para aumentar o sucesso de sua força de vendas, também demonstram o poder do people analytics.
Mas a fama, como sempre, superou a realidade. A verdade é que, na última década, o progresso do people analytics foi modesto. Uma pesquisa da Tata Consultancy Services descobriu que apenas 5% dos investimentos em big data
são destinados ao RH, o grupo que normalmente gerencia o people analytics. E um estudo recente da Deloitte mostrou que, embora a análise de pessoas tenha se tornado mainstream, apenas 9% das empresas acreditam ter uma
boa compreensão de quais dimensões de talento impulsionam o desempenho em suas organizações.
Como assim? Se, como diz o adesivo, as equipes de analytics têm gráficos e tabelas nos quais se apoiar, por que não vieram os resultados? Acreditamos que é porque a maioria adota uma abordagem restrita à análise de dados: usam-se dados apenas sobre pessoas individuais, quando os dados sobre as interações entre as pessoas são iguais ou mais importantes.
As interações das pessoas são o foco de uma disciplina emergente que chamamos de analytics relacional. Quando
a incorporam em sua estratégia de people analytics, as empresas conseguem melhor identificar os funcionários capazes de ajudá-las a alcançar suas metas, e, assim, aumentar a inovação, a influência ou a eficiência. E obterão também insights sobre os atores que elas não podem perder e sobre os possíveis silos nelas existentes.
Felizmente, a matéria-prima para o analytics relacional já existe nas empresas. São os dados criados por trocas de email, chats e transferências de arquivos — o exaustor digital das empresas. Ao explorá-lo, elas constroem bons modelos de analytics relacional.
Neste artigo, apresentamos uma estrutura para entender e aplicar o analytics relacional. E temos os gráficos e tabelas para nos apoiar.
Analytics relacional: definição ampliada
Até hoje, o people analytics se concentrou principalmente em dados de atributos de funcionários. São eles:
Traço: fatos imutáveis, como etnia, gênero e histórico de trabalho.
Estado: fatos individuais mutáveis, como idade, nível de escolaridade, tempo de empresa, valor dos bônus recebidos, distância da residência até o trabalho e dias não trabalhados.
Os dois tipos de dados geralmente são agregados para identificar características de grupos, como composição étnica, diversidade de gênero e remuneração média.
O analytics de atributos é necessário, mas não suficiente. Os dados de atributos agregados podem parecer dados relacionais porque envolvem mais de uma pessoa, mas não são. Os dados relacionais capturam, por exemplo, as comunicações entre duas pessoas em diferentes departamentos durante um dia. Em resumo, a análise relacional é a ciência das redes sociais humanas.
Décadas de pesquisa mostram de forma convincente que os relacionamentos que os funcionários têm uns com
os outros — juntamente com seus atributos individuais — podem explicar seu desempenho no local de trabalho.
A chave é encontrar “assinaturas estruturais”: padrões nos dados que se correlacionam com alguma forma de desempenho bom (ou ruim). Assim como os neurologistas identificam assinaturas estruturais nas redes cerebrais que predizem transtorno bipolar e esquizofrenia, e os químicos preveem a fragilidade cinética de líquidos com base nas assinaturas estruturais destes, os líderes organizacionais analisam assinaturas estruturais nas redes sociais das empresas e preveem, por exemplo, como vão se sair funcionários criativos ou efetivos, equipes ou as próprias empresas como um todo.
As seis assinaturas do analytics relacional
Com base em nossa própria pesquisa e em nosso trabalho de consultoria com empresas, bem como em um grande número de trabalhos de outros pesquisadores, identificamos seis assinaturas estruturais que devem formar o alicerce de qualquer estratégia de analytics relacional.
1) Ideação
A MAIORIA DAS EMPRESAS TENTA identificar pessoas que são boas em ideação avaliando atributos como formação, experiência, personalidade e inteligência. Embora sejam importantes, essas coisas não nos ajudam a descobrir o acesso às informações de outras pessoas ou a diversidade de suas fontes de informação — duas coisas que, sem dúvida, são ainda mais importantes. Geradores de boas ideias geralmente condensam informações de duas equipes diferentes para desenvolver um novo conceito de produto. Ou usam uma solução criada em uma divisão para resolver o problema de outra.
O sociólogo Ronald Burt desenvolveu uma medida que indica se alguém está em uma posição de corretagem. Conhecida como restrição, ela captura o quão limitada é determinada pessoa para coletar informações exclusivas. Diversos estudos com populações tão variadas quanto banqueiros, advogados, analistas, engenheiros e desenvolvedores de software mostraram que funcionários com baixa restrição — que não estão presos a uma rede pequena de pessoas próximas — têm maior probabilidade de gerar ideias que a gestão vê como novas e úteis.
Em um estudo, Burt seguiu os líderes seniores de uma grande empresa de eletrônicos dos EUA enquanto aplicavam o analytics relacional para descobrir quais dos 600 ou mais gestores da rede de fornecimento tinham maior probabilidade de desenvolver ideias para melhorar a eficiência. Eles fizeram pesquisas para solicitar tais ideias dos gestores e, ao mesmo tempo, coletar informações sobre suas redes. Em seguida, executivos seniores avaliaram cada uma das ideias apresentadas de acordo com o grau de novidade e valor potencial.
O único atributo capaz de prever remotamente se um indivíduo geraria uma ideia valiosa era o tempo de casa, mas a correlação não era forte. Usar a assinatura de ideação — baixa restrição — foi bem mais eficaz: os gestores da cadeia de suprimentos que exibiam o atributo em suas redes eram significativamente mais propensos a gerar boas ideias do que os gestores com alta restrição.
Um estudo feito por Paul em uma grande empresa de desenvolvimento de software reforça essa descoberta. O departamento de P&D da empresa vivia no “mundo das cavernas”. Embora empregasse, em média, mais de cem engenheiros, cada um falava com apenas cinco pessoas. E essas cinco pessoas geralmente conversavam só entre si. Seu contato com outras “cavernas” era limitado.
Essas redes de alta restrição são muito comuns nas empresas, especialmente aquelas que realizam trabalho especializado. Mas isso não significa que indivíduos de baixa restrição não estejam escondidos. Na empresa de software, o analytics relacional conseguiu identificar alguns engenheiros que participavam de várias redes. A gestão, então, criou um plano para encorajá-los a fazer o que era sua inclinação natural, e logo observou um aumento significativo na quantidade — e na qualidade — de ideias propostas para melhorar os produtos.
2) Influência
DESENVOLVER UMA BOA IDEIA não é garantia de que ela será usada. Da mesma forma, só porque um executivo emite um decreto de mudança, isso não significa que os funcionários o implementarão. Fazer com que as ideias sejam implementadas requer influência.
Mas a influência não funciona da maneira como supomos. Pesquisas mostram que os funcionários não são mais influenciados, positiva ou negativamente, pela liderança sênior da empresa. Na verdade, eles são mais influenciados por pessoas em papéis menos formais.
Se esse é o caso, os executivos devem apenas identificar os funcionários populares e persuadi-los a participar de novas iniciativas, certo? Errado.
Um grande fabricante de dispositivos médicos com quem Paul trabalhou tentava essa abordagem quando lançava novas políticas de compliance. Na esperança de espalhar percepções positivas sobre elas, a equipe de gestão de mudanças compartilhou as virtudes das políticas com os funcionários classificados como influentes pelo maior número de colegas. Porém, seis meses depois, os funcionários ainda não seguiam os novos procedimentos.
Por quê? Um insight contraintuitivo do analytics relacional oferece a explicação: os funcionários citados como influentes por um grande número de colegas nem sempre são os mais influentes. Pelo contrário, os maiores influenciadores são pessoas que têm conexão forte com os outros, mesmo que apenas com algumas pessoas. Além disso, suas conexões fortes têm conexões fortes com outras pessoas. Isso significa que as ideias dos influenciadores podem se espalhar ainda mais.
A assinatura estrutural de influência é chamada de proeminência agregada. Para calculá-la mede-se o nível de conexão das conexões de uma pessoa e o nível de conexão das conexões das conexões. (Uma lógica semelhante é usada pelos mecanismos de busca para classificar os resultados de pesquisa.)
Em cada uma das nove divisões do fabricante de dispositivos médicos, o analytics relacional identificou os cinco indivíduos que tiveram as maiores pontuações de proeminência agregada. A empresa pediu sua opinião sobre as novas políticas. Cerca de três quartos tinham opinião favorável. A empresa forneceu a ele, bem como aos influenciadores que não gostaram das políticas, fatos que acalmariam seus receios de mudança — e então aguardaram os resultados.
Seis meses depois, mais de 75% dos funcionários dessas nove divisões adotaram as novas políticas de compliance. Em contraste, apenas 15% dos funcionários as adotaram nas outras sete divisões afetadas, onde o analytics relacional não foi aplicado.
3) Eficiência
FORMAR UMA EQUIPE que vai fazer o trabalho de forma eficiente parece simples. Basta buscar as pessoas com as melhores habilidades relevantes.
O analytics de atributos pode ajudar a identificar pessoas qualificadas, mas não garante que o trabalho seja concluído no prazo. Para isso, é necessário o analytics relacional, que mede a química da equipe e a capacidade de utilizar informações e conhecimentos externos.
Veja as descobertas de um estudo de Ray Reagans, Ezra Zuckerman e Bill McEvily, que analisou mais de 1.500 equipes de projeto em uma grande empresa terceirizada de P&D dos EUA. Considerando que a capacidade de acessar uma ampla gama de informações, perspectivas e recursos melhoraria o desempenho da equipe, os pesquisadores compararam o efeito da diversidade demográfica nos resultados das equipes com o efeito das redes sociais dos membros da equipe. Uma questão era que a diversidade na empresa tinha apenas duas variáveis reais: função e tempo de casa. (As outras variáveis — raça, gênero e educação — foram consolidadas dentro das funções.) No entanto, os resultados mostraram que a diversidade nessas duas áreas teve pouco impacto no desempenho.
Voltar-se para os dados relacionais, porém, ofereceu melhor insight. Os pesquisadores descobriram que duas variáveis sociais estavam associadas a melhor desempenho. A primeira era a densidade interna, a quantidade de interação e interconexão entre os membros da equipe. A alta densidade interna é fundamental para construir confiança, assumir riscos e chegar a acordos sobre questões importantes. O segundo foi o alcance externo dos contatos dos membros da equipe. Em uma equipe que tem alto alcance externo, cada membro pode buscar especialistas de fora que são diferentes dos contatos de outros membros. Isso faz a equipe ser mais capaz de obter informações vitais e garantir os recursos necessários para cumprir os prazos.
A assinatura estrutural para equipes eficientes é, portanto, alta densidade interna e alto alcance externo.
4) Inovação
EQUIPES COM A assinatura de eficiência provavelmente fracassariam como unidades de inovação, que se beneficiam de alguma discordância e conflito.
O que faz de uma equipe um sucesso na inovação? Você poderia pensar que colocar seus funcionários de melhor desempenho juntos produziria os melhores resultados, mas as pesquisas indicam que isso pode ter efeitos negativos sobre o desempenho. E embora a sabedoria convencional diga que as equipes são mais criativas quando incluem membros com diferentes pontos de vista, a pesquisa indica também que diversidade demográfica não é bom indicador de sucesso para inovação da equipe.
Mas se você recorrer ao analytics relacional, poderá usar as mesmas variáveis usadas para a eficiência da equipe — densidade interna e intervalo externo — para criar equipes promissoras de inovação. A fórmula, porém, é um pouco diferente: a assinatura de inovação é composta de alta faixa externa e baixa densidade interna. Ou seja, você ainda deseja membros da equipe com redes sociais amplas e não sobrepostas (influentes, se possível) para obter ideias e informações diversas. Mas você não quer uma equipe unida.
Por quê? Maior interação dentro de uma equipe resulta em formas de pensar semelhantes e menos discórdia. Isso é bom para a eficiência, mas não para a inovação. As equipes mais inovadoras têm divergências e discussões — às vezes até conflitos — que geram o atrito criativo necessário para produzir grandes avanços.
O alto alcance externo é necessário não apenas para trazer ideias, mas também para angariar apoio e adesão. As equipes de inovação precisam financiar, construir e vender suas ideias. Portanto, contatos externos bem conectados, que se tornam defensores das equipes, podem ter um grande impacto em seu sucesso.
Durante vários anos, Paul trabalhou com uma grande empresa automobilística sediada nos EUA que tentava aprimorar seu processo de desenvolvimento de produtos. Cada um de seus centros globais de desenvolvimento de produtos tinha uma equipe de especialistas no assunto focados nesse desafio.
No entanto, os gestores de um novo centro da Índia não conseguiram formar uma equipe demograficamente diversificada: todos os engenheiros do centro tinham mais ou menos a mesma idade, experiência e nível. Então, o gestor escolheu engenheiros que haviam trabalhado com projetos em escritórios diferentes, e na época atuavam em diferentes áreas do centro — e a equipe que criou tinha naturalmente alcance externo mais alto.
Aconteceu de essa equipe ter também menor densidade interna. Seus membros sentiam-se à vontade para debater e faziam testes para resolver diferenças de opinião. Quando encontravam um procedimento novo, recorriam às suas conexões externas, usando-as como influenciadores que poderiam persuadir os outros a validar seu trabalho.
Depois de três anos, a equipe do centro da Índia estava produzindo mais inovações de processo do que nenhuma das outras equipes. Depois de cinco anos, havia gerado quase o dobro do que todas as outras equipes juntas. Em resposta, a empresa começou a complementar seu analytics de atributos com analytics relacional para reconfigurar as equipes de inovação em outros locais.
5) Silos
TODOS ODEIAM SILOS, mas eles são naturais e inevitáveis. À medida que as empresas desenvolvem áreas de especialização profunda, é quase inevitável que funções, departamentos e divisões se tornem cada vez menos capazes de trabalhar em conjunto. Eles não falam o mesmo idioma técnico ou não têm os mesmos objetivos.
Avaliamos o grau com que as empresas são isoladas medindo-lhes a modularidade. Simplificando, modularidade é a relação entre a comunicação dentro do grupo e a comunicação fora dele. Quando a relação entre comunicação interna e comunicação externa é maior que 5: 1, a separação em silos é prejudicial.
Uma das organizações com separação em silos mais marcante que encontramos foi um pequeno grupo sem fins lucrativos de defesa do consumidor que queria entender por que diminuíra o tráfego em seu site. Os 60 funcionários do escritório de Chicago estavam divididos em quatro departamentos: desenvolvimento de negócios, operações, marketing e RP e finanças. Como é típico dos silos, cada departamento tinha ideias diferentes sobre o que estava acontecendo.
A análise mostrou que todos os quatro departamentos excederam a proporção de 5:1 entre contatos internos e contatos externos. O caso mais extremo foi o de operações, cuja proporção era 13:1. Naturalmente, o departamento de operações era o que acompanhava mais de perto os consumidores que visitavam o site.
Outros departamentos nem sabiam que operações coletavam esses dados. E operações não sabia que outros departamentos poderiam considerá-los útil.
Para resolver o problema, a organização pediu que funcionários específicos de cada departamento formassem conexões. Eles instituíram uma reunião semanal na qual os gestores de todos os departamentos se reuniam para falar sobre seu trabalho. Cada reunião era temática, e os funcionários de nível inferior cujo trabalho tinha relação com o tema eram trazidos para as discussões.
Em suma, a organização sem fins lucrativos introduziu maior alcance externo em sua equipe. Como resultado, as operações aprenderam que o marketing e RP poderia se beneficiar das descobertas que vinculavam um volume crescente de reclamações em um setor específico a determinados padrões climáticos e estações do ano. Como os funcionários de operações aprenderam que tais percepções seriam úteis, eles começaram a analisar seus dados de novas maneiras.
6) Vulnerabilidade
Embora seja saudável ter pessoas que possam ajudar a mover informações e percepções de uma parte da empresa para outra, depender excessivamente desses indivíduos pode tornar a empresa vulnerável.
Veja o caso de um funcionário que chamaremos de Arvind, que foi gestor da divisão de embalagens de uma das maiores empresas de bens de consumo do mundo. Era um conector que fazia a ponte entre várias divisões. Conversava regularmente com parceiros e fornecedores em todo o mundo. Mas, no organograma, Arvind não era especial: apenas um gestor de nível médio que era bom no que fazia.
Sem Arvind, a divisão de embalagens não teria robustez. As redes são robustas quando as conexões podem ser mantidas mesmo removendo nós — funcionários — dela. Nesse caso, se Arvind deixasse a empresa, alguns departamentos perderiam toda a conexão com outros departamentos e fornecedores.
Não é que Arvind fosse insubstituível. Ele simplesmente não tinha backup. A empresa não percebeu que nenhum outro funcionário fazia as conexões de rede necessárias que ele fornecia. Isso a tornava vulnerável: quando Arvind ficava doente ou saía de férias, a produtividade diminuía. Se Arvind decidia que não gostava de um dos fornecedores e parava de interagir com ele, o trabalho ficava mais lento. E se Arvind estivesse muito atarefado e não conseguisse acompanhar suas muitas conexões, o trabalho também diminuía.
No dia em que Noshir foi mostrar à empresa essa vulnerabilidade na divisão de embalagens, entrou em uma sala de reuniões repleta de bolos e doces. Um executivo sênior disse a ele, alegremente, que a empresa estava dando uma festa para Arvind. Ele ia se aposentar. O queixo de Noshir caiu. A festa continuou, mas depois de saber o quanto Arvind era importante, a empresa fez um acordo para mantê-lo por mais alguns anos e, enquanto isso, usou analytics relacional para fazer um planejamento sucessório em que várias pessoas assumiriam sua função.
Capture o exaustor digital de sua empresa
Depois de entender as seis assinaturas estruturais que formam a base do analytics relacional, é relativamente fácil agir com base nos insights que elas fornecem. Muitas vezes, as correções sugeridas por elas não são complexas: promova reuniões multifuncionais, capacite pessoas influentes e mantenha seus Arvinds.
Por que, então, a maioria das empresas não usa analytics relacional na gestão de desempenho? Existem dois motivos. O primeiro é que muitas análises de rede que as empresas fazem não passam de belas imagens de nós e bordas. Elas não identificam os padrões que predizem o desempenho.
O segundo motivo é que a maioria das empresas não possui sistemas de informação para capturar dados relacionais. Mas todas as empresas têm um recurso oculto crucial: o exaustor digital — os registros, as trilhas eletrônicas e os conteúdos da atividade digital cotidiana. Toda vez que os funcionários trocam emails no Outlook ou mensagens no Slack, curtem postagens no Local de Trabalho do Facebook, formam equipes no Microsoft Team ou atribuem pessoas a marcos de projeto no Trello, as plataformas registram as interações. As informações obtidas podem ser usadas para construir visualizações de rede dos funcionários, equipes e empresas nas quais é possível distinguir as assinaturas estruturais aqui discutidas.
Há vários anos desenvolvemos um painel que captura o exaustor digital em tempo real com base nessas várias plataformas e usa analytics relacional para ajudar os gestores a encontrar os funcionários certos para as tarefas, formar equipes eficientes e inovadoras e identificar áreas da empresa que estão em silos e vulneráveis à rotatividade. Aqui estão algumas das coisas que aprendemos no processo:
A coleta passiva é mais fácil para os funcionários. Para coletarem dados relacionais, as empresas normalmente pesquisam sobre com quem os funcionários interagem. Pesquisar leva tempo, no entanto, e as respostas podem variar em termos de precisão (alguns funcionários apenas chutam resultados). Além disso, para serem realmente úteis, os dados relacionais devem vir de todos da empresa, não apenas de algumas pessoas. Como nos disse um executivo de uma grande empresa de serviços financeiros: “Se eu desse a cada um dos meus 15 mil funcionários uma pesquisa que leva meia hora para fazer, perderíamos US$ 1 milhão em produtividade.
E se os relacionamentos deles mudarem em um mês? Teremos que fazer isso de novo ao custo de mais US$ 1 milhão em horas de trabalho?”.
Os dados relacionais coletados pela empresa, porém, criam novas dificuldades. Embora a maioria dos contratos de trabalho conceda às empresas o direito de registrar e monitorar as atividades realizadas em seus sistemas, alguns funcionários acham que a coleta passiva de dados relacionais é uma invasão de privacidade. Essa não é uma preocupação trivial. As empresas precisam de políticas claras de RH sobre coleta e análise do exaustor digital que ajudem os funcionários a entender e se sentir à vontade com isso (ver quadro “Como fica a privacidade do funcionário? ”).
Dados comportamentais refletem melhor a realidade. Como já observamos, o exaustor digital é menos tendencioso do que os dados coletados por meio de pesquisas. Por exemplo, nas pesquisas, as pessoas podem listar as conexões com as quais supostamente deveriam interagir, em vez daquelas com as quais realmente interagem. E como todos os funcionários estarão em pelo menos várias plataformas de comunicação, as empresas podem mapear redes que representem toda a força de trabalho, o que torna a análise mais precisa.
Além disso, nem todas as reações são iguais. Gostar do post de alguém é diferente de trabalhar em equipe com essa pessoa por dois anos. Copiar contatos em emails não indica relacionamentos fortes. A forma como essas ações individuais são ponderadas e combinadas faz diferença. É aqui que os algoritmos de aprendizado de máquina e os modelos de simulação são úteis. Com um pouco de conhecimento técnico (e com boa compreensão de quais assinaturas estruturais predizem quais resultados de desempenho), não é difícil configurar esses sistemas.
É necessário atualizar constantemente. Relacionamentos são dinâmicos. Pessoas e projetos vêm e vão. Para serem úteis, os dados relacionais devem ser oportunos. O uso do exaustor digital em modelos de análise relacional atende a essa necessidade.
Além disso, a coleta de dados relacionais ao longo do tempo dá aos analistas mais opções sobre o que examinar. Por exemplo, se uma funcionária estava de licença-maternidade por vários meses, o analista exclui esse período de tempo dos dados ou decide agregar uma faixa maior de dados. Se uma empresa foi adquirida em determinado ano, o analista compara os dados relacionais de antes e depois do acordo para fazer um gráfico das possíveis mudanças de vulnerabilidade da empresa.
As análises precisam estar próximas dos tomadores de decisão. A maioria das empresas depende de cientistas de dados para colher insights relacionados à gestão de talentos e desempenho. Isso geralmente cria um gargalo, porque não há cientistas de dados suficientes para abordar todas as consultas de gestão de maneira oportuna. Além disso, os cientistas de dados não conhecem os funcionários sobre os quais realizam análises, por isso não podem contextualizar os resultados.
Painéis são fundamentais. O sistema que identifica as assinaturas estruturais e as destaca visualmente aproxima os insights de analytics dos gestores que precisam deles. Como disse um executivo de uma empresa de chips de semicondutores: “Quero que meus gestores tenham os dados para tomar boas decisões sobre como ‘usar’ seus funcionários. E quero que eles sejam capazes de fazer isso quando ainda é possível tomar decisões, não depois”.
People analytics É uma nova maneira de tomar decisões baseadas em evidências que melhoram as empresas. Mas, nesse começo, a maioria das empresas tem se concentrado nos atributos dos indivíduos, e não em seus relacionamentos com outros funcionários. Observar os atributos é útil até certo ponto. No entanto, com o analytics relacional, as empresas poderão estimar a probabilidade de que um funcionário, uma equipe ou uma organização inteira alcancem uma meta de desempenho. E usar algoritmos para adaptar tarefas a mudanças nas redes dos funcionários ou a necessidades gerenciais específicas. As melhores empresas, é claro, usarão a análise relacional para aumentar seus próprios critérios de decisão e construir organizações mais saudáveis, felizes e produtivas.
Paul Leonardi é professor de gestão de tecnologia e detentor da cátedra Duca Family na University of California, em Santa Bárbara. Consultor sobre uso de dados de redes sociais e novas tecnologias para melhorar o desempenho e o bem-estar dos funcionários.
Noshir Contractor é professor de ciências comportamentais e detentor da cátedra Jane S. and William J. White na Northwestern University, onde dirige o grupo de pesquisa Science of Networks in Communities.
Matéria: https://hbrbr.uol.com.br/melhore-seu-people-analytics/
Fonte: Harvard Business Review
