Projetos
Graph AnalyticsPeople AnalyticsONAPython

Análise de ONA para Identificação de Key Talents

Mapeamento de redes organizacionais para identificar talentos críticos, influenciadores e gargalos de conhecimento em uma organização global.

2026·Vale·Concluído
GitHub

Demonstração do projeto

Na Vale, identificamos que os critérios tradicionais de "high performer" (desempenho individual em avaliações 9-box) não capturavam uma dimensão crítica: o papel de cada pessoa na rede de conhecimento da organização. Usamos Organizational Network Analysis (ONA) para mapear quem é consultado, quem conecta times e quem retém conhecimento crítico — revelando talentos invisíveis nos processos formais e riscos de conhecimento em colaboradores próximos à saída.

Impacto & Métricas

1.200

Colaboradores mapeados

14

Comunidades identificadas

38

Brokers críticos encontrados

12%

Talentos não reconhecidos formalmente

6

Países cobertos

Por que ONA?

As avaliações formais de desempenho capturam o que uma pessoa entrega individualmente.

A ONA captura como ela opera dentro da rede — quem ela conecta, quem depende dela,
quem ela desenvolve. Esses dois eixos juntos revelam o real impacto organizacional.

Coleta de Dados

Os dados de colaboração foram coletados de 3 fontes:

1. E-mail e calendário (Microsoft Graph API): frequência e direção das comunicações

2. Pesquisa de rede (questionário dirigido): "A quem você recorre quando precisa de
ajuda técnica? A quem você recorreria para entender processos da empresa?"
3. Dados de projetos (JIRA/Confluence): co-autoria de documentos e issues

Construção do Grafo

Cada colaborador é um nó. Cada interação é uma aresta ponderada.

O peso é calculado por frequência e reciprocidade da interação.

Calculamos 3 métricas principais:
- Betweenness Centrality: identifica quem faz a ponte entre grupos (brokers)
- In-Degree Centrality: quem é mais consultado (especialistas)
- PageRank: influência ponderada pela influência de quem te consulta

Descobertas e Ações

14 comunidades orgânicas foram identificadas, muitas não alinhadas com org chart formal.

38 colaboradores classificados como "Broker Crítico" — apenas 11 estavam no plano de
sucessão. Os outros 27 representavam riscos de conhecimento não gerenciados.

O projeto gerou uma revisão do programa de retenção e um protocolo de
"knowledge transfer" para brokers com alto risco de saída.

python·ona_analysis.py
import networkx as nx
import pandas as pd
from collections import defaultdict

def build_organizational_network(
    collaboration_data: pd.DataFrame,
    min_interactions: int = 3,
) -> nx.DiGraph:
    """
    Constrói grafo direcionado de colaboração a partir de dados de interação.

    Args:
        collaboration_data: DataFrame com colunas [source_id, target_id, weight]
        min_interactions: filtro mínimo para eliminar ruído

    Returns:
        DiGraph ponderado com atributos de centralidade calculados
    """
    # Filtrar interações fracas
    filtered = collaboration_data[
        collaboration_data["weight"] >= min_interactions
    ]

    G = nx.from_pandas_edgelist(
        filtered,
        source="source_id",
        target="target_id",
        edge_attr="weight",
        create_using=nx.DiGraph(),
    )

    # Calcular métricas de centralidade
    betweenness = nx.betweenness_centrality(G, weight="weight", normalized=True)
    in_degree = nx.in_degree_centrality(G)
    pagerank = nx.pagerank(G, weight="weight", alpha=0.85)

    # Adicionar atributos aos nós
    nx.set_node_attributes(G, betweenness, "betweenness_centrality")
    nx.set_node_attributes(G, in_degree, "in_degree_centrality")
    nx.set_node_attributes(G, pagerank, "pagerank_score")

    return G


def identify_key_roles(G: nx.DiGraph) -> pd.DataFrame:
    """
    Classifica nós em papéis organizacionais com base em métricas de centralidade.

    Papéis:
    - Broker: alta betweenness, conecta silos
    - Influenciador: alto in-degree, muito consultado
    - Periférico: baixa conectividade, risco de isolamento
    """
    records = []
    for node, data in G.nodes(data=True):
        betweenness = data.get("betweenness_centrality", 0)
        in_degree = data.get("in_degree_centrality", 0)
        pagerank = data.get("pagerank_score", 0)

        if betweenness > 0.15:
            role = "Broker Crítico"
        elif in_degree > 0.20:
            role = "Influenciador"
        elif pagerank < 0.005:
            role = "Periférico"
        else:
            role = "Colaborador"

        records.append({
            "employee_id": node,
            "network_role": role,
            "betweenness": betweenness,
            "in_degree": in_degree,
            "pagerank": pagerank,
        })

    return pd.DataFrame(records).sort_values("betweenness", ascending=False)
Ver todos os projetos