SDy: A estatística de RH mais importante de que nunca ouviu falar

Stay on the leading edge of leading with human-centric AI. Create a free account.

Este é o primeiro de uma série de artigos que apresenta alguns dos fundamentos dos RH, e o SDy, em particular, é fundamental para tomar boas decisões nas suas funções atuais e futuras na área dos RH. Então, o que é o SDy? O SDy é um método estatístico para calcular a diferença de desempenho, […]

Graphics of SDy: The Most Important HR Statistic You’ve Never Heard Of

Este é o primeiro de uma série de artigos que apresenta alguns dos fundamentos dos RH, e o SDy, em particular, é fundamental para tomar boas decisões nas suas funções atuais e futuras na área dos RH. Então, o que é o SDy? O SDy é um método estatístico para calcular a diferença de desempenho, em termos monetários, entre candidatos ou atuais titulares de uma função. Como exemplo, imagine que está a recrutar para uma função e reduziu a escolha a dois candidatos que conseguem ambos desempenhar o trabalho e que se enquadram bem, mas prefere um deles. Faz a proposta de emprego e o candidato da sua primeira escolha responde a pedir mais $10,000 no salário – o SDy pode ajudá-lo a tomar esta decisão.

Para calcular o SDy, precisa primeiro de uma medida objetiva adequada para prever o desempenho futuro no trabalho. Por exemplo, na seleção, pode utilizar um teste de capacidade mental geral, uma entrevista estruturada ou um centro de avaliação, entre outros – todas estas avaliações, quando realizadas corretamente, fornecer-lhe-ão uma pontuação para cada candidato. Com esta pontuação, precisa de calcular o desvio-padrão, o que pode fazer seguindo estas instruções (se estas não fizerem sentido, existem muitas explicações na Internet; basta pesquisar no Google ‘calcular o desvio-padrão’):
Neste exemplo, temos 15 candidatos que avaliámos através de uma entrevista estruturada e obtivemos 15 pontuações de avaliação. Pode calcular o desvio-padrão manualmente ou simplesmente utilizar o MS Excel e seguir estas instruções

Primeiro, introduza as suas 15 pontuações de avaliação no Excel, com cada número na sua própria célula:

95, 68, 58, 64, 84, 68, 72, 75, 59, 90, 89, 78, 82, 65, 67,

Depois, no final desta lista, escreva simplesmente a fórmula =STDEV(introduza aqui o intervalo, isto é, =STDEV(A1: A15)), e obterá o seu desvio-padrão; no nosso caso, o desvio-padrão é 11.61.

O que o desvio-padrão nos indica é em que medida os membros de um grupo diferem da média ou valor médio. Normalmente, 68% da nossa amostra ficará dentro de um desvio-padrão da média, ou seja, 68% da nossa amostra obteve uma pontuação entre 62.65 e 85.88 (calculada adicionando o desvio-padrão à média para obter a pontuação superior (74.266 + 11.61 = 85.88) e subtraindo o desvio-padrão à média para obter a pontuação inferior (74.266 – 11.61 = 62.65)).

Se ainda está comigo, excelente; está prestes a compreender por que razão considero o SDy tão fundamental para tomar boas decisões nos RH. O SDy é uma estimativa do desempenho dos trabalhadores com base em 1 desvio-padrão. Permitir-nos-á estimar a diferença de desempenho, em termos monetários, entre um trabalhador médio e um trabalhador de elevado desempenho, conforme determinado pela sua pontuação numa medida de avaliação. E que tal explicar tudo isto em linguagem simples? Digamos que temos dois candidatos: um obteve 75 (portanto, bastante próximo da média de 74.266) e outro obteve 89 (novamente, bastante próximo de uma diferença de um desvio-padrão em relação à pontuação de 75). Quanto melhor será o desempenho profissional daquele que obteve 89? É isto que o SDy estima para nós. Calcular o desvio-padrão é a parte difícil, que pode ser realizada com a ajuda do MS Excel; para calcular o SDy, basta multiplicar o salário anual da função por 40%, o que nos dará o SDy. Para facilitar o cálculo, vamos utilizar $100,000 como salário anual da função para a qual estamos a recrutar. Assim, SDy = 100,000 * 0.4, o que corresponde a 40,000. Isto é bastante entusiasmante: sabemos agora que existe uma diferença de desempenho de $40,000 entre estes dois candidatos. Esta informação é extremamente útil, pois pode ajudar-nos a avaliar contrapropostas – quanto melhor prevemos que será o desempenho da nossa primeira escolha em comparação com o candidato da segunda escolha e se podemos justificar pagar-lhe mais do que tínhamos inicialmente reservado no nosso orçamento para esta função, ou se deveremos optar pelo candidato da segunda escolha?

Devo salientar, nesta fase, que não temos de utilizar apenas 1 desvio-padrão; podemos, por exemplo, ter dois candidatos que se encontram apenas a 0.5 desvios-padrão de distância um do outro, ou a 0.3 desvios-padrão. Para calcular estes valores, basta multiplicar 40,000 pela percentagem do desvio-padrão, isto é, 40,000 x 0.5 = 20,000, ou 40,000 x 0.3 = 12,000. Assim, se retomarmos o exemplo dos nossos dois melhores candidatos, mas neste caso eles estiverem separados por apenas 0.3 desvios-padrão e o nosso candidato principal quiser mais $10,000 de salário, poderemos reavaliar a situação e considerar que, embora seja melhor, o candidato principal não é assim tão melhor do que a nossa segunda escolha que justifique um salário $10,000 superior àquele que o segundo candidato aceitaria provavelmente.

O SDy é mais frequentemente aplicado a questões de seleção e formação; por exemplo, na seleção, pode ser utilizado para determinar se vale a pena recorrer a um centro de avaliação externo para a função para a qual está a recrutar. Em alternativa, o programa de formação que lhe pediram para analisar conseguirá aumentar suficientemente o desempenho dos formandos para justificar o seu custo inicial?

Brendan Lys
Operating at the intersection of Human Resources and Data Science, I leverage extensive specialist experience within Human Resources, with the methodologies and approaches of Data Science. This focus on the discovery of actionable insights from data, has been applied to areas such as: remuneration & benefits, workforce planning, recruitment, health & safety, diversity, and training. But what does the application of data science to HR challenges and opportunities actually look like. Within an HR framework the data we work with typically comes directly from our HRMIS, an advantage of using data science methodologies is that we can bring in additional data either held within the organization or from external sources - data which is out of reach from a pure HR analytics approach. Consider for example position descriptions, these contain a wealth of data that we typically ignore as its not in a analysis ready format. A side project I'm working on currently (April 2019) is using text mining on job descriptions to provide insights into which job family the position may fit into. The insights of my work have been enjoyed by organizations across a diversity of sectors including: Government (Australia and New Zealand), ASX and NZX listed companies, utilities, not for profit and higher education.
Follow the author:

You may also like