Currículo de people analytics: as duas metades que faltam

Analista de RH que aprendeu SQL e Power BI por conta própria costuma cair em uma armadilha específica no currículo: descreve a bagagem de RH com detalhe e a bagagem técnica de forma genérica, ou o contrário, descreve a parte técnica bem e reduz a experiência de RH a uma linha. O resultado é um currículo que não convence nem o recrutador técnico, que queria ver mais SQL, nem o recrutador de RH, que queria ver mais gente. People analytics fica exatamente no meio, e o currículo precisa provar as duas metades com o mesmo peso.

Este guia mostra como equilibrar ferramenta de dados e domínio de indicadores de RH no mesmo currículo, como descrever um modelo preditivo de turnover sem exagerar, e como citar LGPD de forma relevante para quem lida com dado de colaborador.

Regra das Duas Metades: um currículo de people analytics precisa provar SQL, Power BI ou Python com o mesmo peso que prova turnover, headcount ou engajamento. Faltar uma das duas metades derruba o currículo no filtro da outra área.

SQL escrito por extenso é o que separa quem extrai o dado de quem só visualiza o dashboard pronto

A maior parte das bases de RH corporativas, seja em SAP SuccessFactors, Workday ou uma planilha centralizada, exige uma consulta em SQL antes que qualquer indicador chegue a um dashboard. Quem só sabe operar Power BI, sem saber escrever a consulta que alimenta a base, depende sempre de outra pessoa para o primeiro passo do trabalho.

Antes: Experiência com análise de dados de RH e construção de dashboards.
Depois: Extração de dados de headcount e turnover em SQL a partir da base do SAP SuccessFactors, com construção de dashboard em Power BI para acompanhamento mensal pela diretoria de RH.

Escreva SQL como termo isolado. Se você usa um dialeto específico, cite também, e some Python se você usa a linguagem para tratamento de dado antes da análise, porque essas combinações aparecem juntas em vagas mais avançadas da área.

Turnover, headcount e engajamento precisam vir acompanhados de uma pergunta respondida, não apenas citados soltos

Citar turnover, headcount e engajamento no currículo sem dizer o que você fez com esses indicadores é o equivalente, no lado de RH, a listar ferramenta sem projeto no lado de dados. Os dois erros produzem o mesmo resultado: um currículo com palavras certas e nenhuma prova de raciocínio por trás delas.

• Turnover: cite se você analisou turnover por área, por tempo de casa ou por motivo de saída, e o que a análise revelou.
• Headcount: cite se você projetava ou acompanhava a evolução do número de colaboradores por período ou por área.
• Engajamento: cite se você cruzava resultado de pesquisa de engajamento com outro indicador, como performance ou absenteísmo.
• Efetividade de contratação: cite se você media quanto tempo um colaborador contratado por um canal específico permanecia na empresa, comparado a outro canal.

Um modelo preditivo de turnover se descreve pelas variáveis usadas, não pelo nome da técnica sozinho

Dizer que você construiu um modelo preditivo de turnover, sem detalhar nenhuma variável usada, soa como um projeto de curso, não como um trabalho aplicado. Quem descreve as variáveis mostra entendimento do problema de negócio por trás do modelo, não apenas da técnica estatística aplicada a ele.

Antes: Desenvolvimento de modelo preditivo de turnover utilizando machine learning.
Depois: Modelo preditivo de risco de saída construído com variáveis de tempo de casa, última avaliação de performance e histórico de promoção, usado pela liderança para priorizar conversas de retenção.

Note que a segunda versão termina no uso real do modelo pela liderança, não em uma métrica técnica isolada. É o uso que prova impacto, não a complexidade do modelo em si.

LGPD entra no currículo quando você lida com dado sensível de colaborador, não como frase de efeito

Quem trabalha com dado de pessoas dentro de uma empresa lida com informação protegida pela LGPD, como avaliação de performance, histórico de saúde ocupacional e dado salarial. Vagas de people analytics cada vez mais perguntam sobre isso, porque um analista que não pensa em proteção de dado pode expor a empresa a risco legal.

Se você já participou de definição de quem tem acesso a que informação, ou de anonimização de dado em um relatório amplo, cite isso especificamente. Não escreva apenas conhecimento em LGPD sem contexto, porque isso soa a frase decorada, não a prática real.

Migrar de RH generalista para people analytics exige um projeto prático, não apenas interesse declarado

Quem vem de RH generalista e aprendeu SQL e Power BI sozinho enfrenta um obstáculo comum: o currículo diz interesse em dados, mas não prova capacidade de aplicar isso a um problema real. Um projeto prático, mesmo pequeno, resolve essa lacuna melhor do que qualquer frase de intenção.

Monte uma base pequena, ainda que fictícia ou pública, com uma pergunta de RH real, como identificar em qual área o turnover é maior e por quê. Aplique SQL para consultar, Power BI para visualizar, e descreva o resultado no currículo com o mesmo cuidado que você descreveria uma experiência de trabalho. Para entender como um projeto de dados se descreve de forma geral, veja o guia de currículo para analista de dados, e para revisar o vocabulário completo esperado por vagas de dados e de RH, veja a lista de palavras-chave por área.

O que fazer agora com o seu currículo de people analytics

Se o seu currículo cita ferramenta de dados sem contexto de RH, ou indicador de RH sem nenhuma ferramenta que o sustente, ele está competindo em desvantagem justamente na função híbrida que ele deveria estar provando. Cada candidatura nessa condição perde no filtro técnico ou no filtro de RH, sem nunca ficar forte o bastante em nenhum dos dois.

Rode a análise gratuita em /ats com a descrição da vaga colada para ver o que falta no seu texto atual. Se o score vier baixo, a otimização completa custa R$ 7,80 via PIX em /checkout, e o reajuste para outra vaga de people analytics sai por R$ 3,40.

Perguntas frequentes