Imagine que você precisa identificar quem são os talentos mais críticos da sua organização. Você abre o sistema de gestão de desempenho, filtra pelos "high performers" e — pronto.

O problema: essa lista está errada.

Não porque o sistema de avaliação seja ruim. Mas porque ele mede o desempenho individual, ignorando o papel de cada pessoa na rede de colaboração da empresa.

A Organizational Network Analysis (ONA) preenche esse gap.

---

O que é ONA?

ONA é a aplicação de análise de grafos para mapear as redes informais dentro de organizações. Em vez do org chart (hierarquia formal), mapeamos quem colabora com quem, quem busca quem para tirar dúvidas, quem conecta diferentes times.

Matematicamente, cada colaborador é um nó. Cada interação é uma aresta ponderada. O resultado é um grafo que revela a verdadeira anatomia da organização.

As três métricas que mais importam

1. Betweenness Centrality — os Brokers

Mede quantas vezes um nó aparece no caminho mais curto entre dois outros nós. Alta betweenness = ponte entre grupos. Essa pessoa conecta silos, acelera a circulação de informação e — quando sai — pode criar desconexões que levam meses para cicatrizar.

`python import networkx as nx

Calcula betweenness para todos os nós do grafo

betweenness = nx.betweenness_centrality( G, weight="weight", # considera frequência das interações normalized=True, # normalizado entre 0 e 1 )

Top 10 brokers

top_brokers = sorted(betweenness.items(), key=lambda x: x[1], reverse=True)[:10] `

2. In-Degree Centrality — os Especialistas

Quantas pessoas buscam uma pessoa específica para ajuda. Alta in-degree = especialista reconhecido pelos pares — não necessariamente pelos gestores.

Na Vale, encontramos engenheiros sênior com in-degree na faixa do 90° percentil que estavam classificados como "core" (não "high") no processo formal de calibração. Esses profissionais eram os "go-to people" de seus domínios, mas invisíveis na avaliação 9-box.

3. PageRank — a Influência Ponderada

Influência dos nós que te consultam também importa. Ser muito buscado por pessoas de alta influência vale mais do que ser buscado por muitas pessoas de baixa influência — exatamente o que o PageRank do Google captura.

Como coletar os dados

Existem três abordagens principais:

Pesquisa de Rede Dirigida (mais qualitativa)

Questionário com perguntas como: - "A quem você recorre quando tem um problema técnico difícil?" - "Quem te mantém informado sobre o que acontece na empresa?"

Vantagem: captura percepção e confiança, não só interação Desvantagem: viés de resposta, custo de aplicação

Dados Passivos de Colaboração (mais quantitativa)

Microsoft Graph API, Slack, Google Workspace — frequência e direção das comunicações.

`python from msgraph_core import GraphClient import pandas as pd

def get_email_interactions(client: GraphClient, days: int = 90) -> pd.DataFrame: """ Extrai interações de e-mail dos últimos N dias via Microsoft Graph. Retorna DataFrame com [source, target, message_count]. """ # Implementação com paginação e filtro por período interactions = [] # ... (código de extração via API) return pd.DataFrame(interactions, columns=["source", "target", "weight"]) `

Dados de Projetos (mais contextual)

Co-autoria em documentos, comentários em issues (JIRA, GitHub), presença em reuniões.

O que fizemos na Vale

Aplicamos ONA para 1.200 colaboradores em 6 países, combinando pesquisa dirigida (para capturar confiança) e dados passivos (para volume e frequência).

Descoberta 1: Brokers não reconhecidos

38 colaboradores com betweenness no 95° percentil. Apenas 11 estavam no plano de sucessão. Os outros 27 eram riscos de conhecimento não gerenciados — se saíssem, levavam com eles a cola entre times que a empresa não sabia que precisava.

Descoberta 2: Silos ocultos

Identificamos 3 grupos de engenharia que deveriam colaborar intensamente (pela natureza dos projetos), mas tinham densidade de aresta próxima de zero entre si. Um conflito histórico entre gestores havia criado um silo que o org chart não mostrava.

Descoberta 3: Talentos periféricos em risco

Colaboradores com baixíssima conectividade que estavam próximos à saída. Isolamento organizacional é um preditor independente de turnover — e a ONA o torna visível.

---

ONA não substitui avaliação de desempenho

É importante deixar claro: ONA é complementar, não substituta. Um broker crítico pode ter performance mediana. Um high performer individual pode ter baixa conectividade — e isso não o torna menos valioso.

A combinação dos dois eixos cria uma matrix poderosa: - Alto desempenho + Alta centralidade: proteja a todo custo - Médio desempenho + Alta centralidade: investir em desenvolvimento e retenção - Alto desempenho + Baixa centralidade: conexão saudável pode amplificar o impacto - Baixo desempenho + Baixa centralidade: análise cuidadosa de fit

---

Próximos passos

Se você quer começar com ONA na sua organização, a recomendação é:

1. Comece pequeno: um time ou uma unidade de negócio, não a empresa toda 2. Use pesquisa dirigida: mais rápido de implementar e explica o "porquê" das conexões 3. Cruze com dados de RH: a ONA sozinha não tem contexto, precisa dos dados de carreira e desempenho 4. Proteja a privacidade: seja transparente com colaboradores sobre o que está sendo mapeado e por quê

O código da análise de ONA e a estrutura de questionário que usamos estão disponíveis [neste repositório](https://github.com/gleissonbispo/ona-analysis).