Como construir um sistema de avaliação de desempenho baseado em dados e eliminar vieses

Os sistemas de avaliações de desempenho são um dos pilares de uma empresa. Afinal, elas são fundamentais para decisões relacionadas a promoções, reajustes salariais, bônus, desafios maiores e até demissões. 

Porém, avaliar colaboradores nem sempre é simples. Quer saber como fazer avaliações mais justas de acordo com exemplos práticos e estratégias que utilizamos no iFood? Continue lendo! 

Índice:

• A importância das avaliações justas e o método iFood 
• Metodologia de seleção de avaliadores
• Processo de avaliação
• Algoritmo de sugestão de desempenho e correção de vieses – um sistema de avaliação de desempenho mais justo
• Comitês de calibração (PerFome)
• Resultados do sistema de avaliação de desempenho sem vieses no iFood

A importância das avaliações justas e o método iFood 

Durante o processo de avaliações, é importante não deixar vieses influenciarem decisões, pois se deixarmos que elas falem mais alto, criaremos injustiças. Consequentemente, não atingiremos um bom resultado como companhia e não geraremos confiança em nossos colaboradores.

Pensando nisso, uma dúvida recorrente que sempre discutimos é: Como garantir processos mais justos, avaliando e reconhecendo verdadeiramente as melhores pessoas? 

No momento, devemos confessar que aqui no iFood não temos uma resposta definitiva para essa pergunta, mas estamos em uma constante busca para atingir o objetivo de construir processos de avaliação completamente livres de vieses. 

E como está sendo essa nossa jornada? Até o momento, nosso principal objetivo foi identificar etapas em nosso processo de avaliação de desempenho onde os vieses podem aparecer e tentar removê-los. Quando não conseguimos removê-los, utilizamos dados para identificá-los e corrigi-los. Dessa forma, buscamos torná-lo mais humano.

Metodologia de seleção de avaliadores

Antes de tudo, é preciso colocar em pauta os avaliadores. Em uma análise de performance, quanto mais pontos de vista diferentes conseguirmos, menor será o viés individual ou o viés de afinidade (eu (não) gosto de você). 

Portanto, a decisão de quais serão as pessoas que farão parte do grupo de avaliadores é fundamental. Quanto mais assertiva for essa escolha, melhores as avaliações.

Para maximizar o potencial das sugestões de avaliadores, a equipe do iFood utiliza uma técnica chamada ONA (Organizational network analysis), onde mapeamos via dados todas as pessoas que tiveram alguma interação dentro do ciclo. 

Esses dados são coletados através de e-mails, reuniões, interações por Slack, Gitlab e diversos outros meios. A seguir, verificamos quais “Ligações” são mais fortes e acrescentamos alguns critérios como: gênero, raça, área e posições hierárquicas diferentes. Dessa forma, buscamos uma avaliação 360°.

Vale ressaltar que durante o processo de coleta de dados e análise de conexões entre colaboradores para a seleção de avaliadores, nenhum dado privado ou sensível é utilizado para o cálculo da interação. 

Processo de avaliação

Além de implementar técnicas mais avançadas de análise, também levamos em consideração a experiência do colaborador. Por isso, colocamos em prática algumas etapas para deixar o processo mais humanizado, mesmo utilizando a tecnologia. 

Veja a seguir as nossas principais estratégias:

• Ao invés de pedirmos que as pessoas dessem feedback umas às outras, pedimos que elas oferecessem um conselho
• Ao invés de avaliações longas, optamos por 5 perguntas simples e objetivas
• Ao invés de sistemas burocráticos, fizemos nossa avaliação direto pelo Slack. Como se fosse um chat utilizando um bot, a nossa querida Judite!

Com apenas algumas mudanças simples, facilitamos um momento que por vezes é considerado estressante e até exaustivo. Ou seja, os menores detalhes podem fazer a diferença. 

Algoritmo de sugestão de desempenho e correção de vieses – um sistema de avaliação de desempenho mais justo

Após a etapa de sugestão de avaliadores e as avaliações em si, criamos um algoritmo que, assim como o da Netflix, consegue identificar o seu padrão de escolhas. Assim, identificamos semelhanças nas classificações e sugerimos uma avaliação para as pessoas, contemplando sua posição e sua área atual. 

Dentro dessa etapa também trabalhamos para a mitigação de vieses não explicados. Por exemplo, identificamos 2 vieses: de gênero e de raça. Homens foram avaliados com resultados 8% superiores às mulheres. E pessoas de pele branca 3% superior às de pele negra. Essa discrepância precisa ser resolvida. 

Corrigimos esses vieses da seguinte maneira: ao detectar uma divergência nos dados, trabalhamos para ajustar todas as avaliações de modo que saiam de um mesmo patamar para a sugestão do algoritmo.

Comitês de calibração (PerFome)

Aqui no iFood, entendemos que a combinação mais poderosa é a aliança entre os dados e a empatia humana. Sendo assim, a partir das sugestões de desempenho e todos os dados da avaliação nas mãos dos gestores, partimos para a rodada de calibração das avaliações.

Em nosso último estudo, utilizamos ferramentas tecnológicas de People Analytics para otimizar os processos, mas não deixamos de observar possíveis incongruências nos resultados das avaliações. 

Por isso, discutimos no boca a boca alguns casos especiais. As pessoas discutidas foram as que tiveram as notas dos gestores sem “match” com o algoritmo. Ou seja, casos onde havia alguma discrepância entre o entendimento do gestor e a sugestão do algoritmo para a performance. Esses casos compunham em torno de 30% da base de pessoas avaliadas. 

Ao implementar esse processo, economizamos tempo e eliminamos vieses que podem ocorrer quando a análise de dados por meio da tecnologia não é feita de maneira humanizada. 

Resultados do sistema de avaliação de desempenho sem vieses no iFood

No passado, alguns grupos minorizados tinham quase 72% menos chances de ser classificados como alto desempenho comparada com o grupo majoritário. Hoje, com os novos sistemas de avaliação de desempenho, estatisticamente os grupos têm a mesma chance de ser bem classificados.

Ainda temos muito trabalho para deixar a nossa avaliação próxima do ideal. Dentre os desafios para o futuro, incluímos pontos como melhorar as sugestões do ONA, algoritmos mais acurados e avaliações mais constantes. Porém, ver resultados como este é um excelente indicativo que estamos no caminho correto! 

E você? Já está caminhando em direção às avaliações sem vieses na sua empresa?