Contato

Capacitação em dados para a equipe da linha de frente

Em resumo

O Government Performance Lab, da Harvard Kennedy School, descreve um curso de 12 semanas em análise de dados para mais de 50 profissionais que atendem pessoas em situação de rua em Nova Jersey. Metade dos participantes interpretava mal um gráfico básico no início. A experiência mostra como treinar equipes sociais para decidir com evidências.

Quem atende no CRAS, no Centro POP ou no abrigo costuma ter dados em mãos: cadastros, planilhas, relatórios para o governo federal. Raramente tem tempo ou treino para usar esses números para decidir. O Government Performance Lab (GPL), da Harvard Kennedy School (HKS), testou uma resposta em 2024: um curso de 12 semanas em capacitação em dados para mais de 50 profissionais da rede de atendimento a pessoas em situação de rua de Nova Jersey (EUA). O resultado está no resumo publicado em junho de 2024 e em um relatório de 11 páginas.

A ideia em resumo

Os autores partem de um quadro de equipes sobrecarregadas, mal pagas e com risco de saída, que o próprio texto reconhece não ser resolvido por treinamento. A aposta é que ensinar a coletar, ler, interpretar e comunicar dados, e a pensar o sistema como um todo, é uma forma de apoiar quem trabalha na ponta e melhorar o serviço. O curso foi conduzido pelo GPL com a consultoria Delivery Associates e o escritório estadual de prevenção da falta de moradia, e reuniu colegas de oito redes locais.

O que o relatório mostrou

No início, um teste mostrou que 50% dos participantes interpretavam errado um gráfico básico. O conteúdo incluiu tipos de dados, uso de planilha, leitura de gráficos, definição de indicadores, desagregação de dados e visualização. Cada rede aplicou o que aprendia a um problema real, e os trabalhos finais foram apresentados ao grupo. O relatório dá dois exemplos:

  • Abrigo cheio. Uma rede precisava aumentar as saídas de abrigos para moradia permanente. Ao desagregar os dados, viu que quem tinha 55 anos ou mais e quem tinha deficiência ficava mais tempo. Passou a definir indicadores e a usar mais gráficos para dividir a informação.
  • Quem chega ao atendimento. Outra rede notou que pessoas brancas, hispânicas e asiáticas apareciam menos na porta de entrada do sistema do que na população atendida em abrigos e abordagem de rua, com diferença de 5 pontos para famílias hispânicas. Decidiu revisar o instrumento de triagem e ouvir usuários e prestadores em grupos focais.

Em pesquisas e entrevistas depois do curso, os participantes relataram melhor compreensão das necessidades locais (uma rede descobriu que muitos egressos de abrigos iam para locais impróprios para moradia e que a maioria tinha alguma deficiência), mais decisões baseadas em evidência, gráficos mais claros para conversar com gestores e financiadores e mais colaboração entre agências. São percepções dos participantes, não uma avaliação de impacto sobre a população atendida.

O relatório extrai três lições: bases simples de dados ajudam todos; é importante construir uma linguagem comum entre equipes, e não só habilidades individuais; e treinar com exemplos do trabalho diário e com tempo protegido facilita o uso. Um participante contou que, ao cruzar dados, a rede percebeu que pessoas com benefício assistencial negado também ficavam sem apoio de moradia.

Como aplicar no Brasil

  • Comece por uma pergunta da própria equipe, por exemplo: quem fica mais tempo no serviço de acolhimento? Quem não retorna ao CRAS depois do primeiro atendimento?
  • Treine com os dados do município, como Cadastro Único, prontuários e registros do serviço, usando planilhas já conhecidas. Reserve horas protegidas na agenda, como o relatório recomenda.
  • Misture perfis: assistência social, saúde, educação, e quem tem experiência de vida de rua ou da pobreza, se houver espaço de controle social. O ganho aparece quando todos olham os mesmos gráficos.
  • Desagregue por idade, território e deficiência para achar quem está ficando de fora, sem inventar categorias que o serviço não coleta.
  • Ensine a comunicar: um gráfico com uma mensagem e um pedido claro ao gestor ou ao conselho.
  • Proteja as pessoas. Os dados são de gente atendida pela política pública; use acesso restrito, dados agregados nas apresentações e finalidade definida, conforme os princípios de finalidade e necessidade da Lei Geral de Proteção de Dados (art. 6º, I e III) e as regras de uso compartilhado pelo poder público (art. 26).

Cuidados e limites

O relatório descreve um piloto único, sem grupo de comparação, e usa depoimentos de quem participou. Também afirma que o treinamento é só uma das peças para enfrentar sobrecarga, baixa remuneração e rotatividade; sem condições de trabalho, o curso não resolve. A estrutura americana de redes locais de atendimento e as exigências do governo federal daquele país não existem no Brasil, mas o desafio de passar do dado de prestação de contas ao dado de gestão é comum. Este texto é uma leitura própria da Evoluta, feita por profissionais com formação pela Harvard Kennedy School, sem vínculo da empresa com a HKS.

Conteúdo independente da Evoluta, inspirado em publicações da Harvard Kennedy School of Government, a escola de governo da Universidade Harvard que inspira a Escola de Governo da Evoluta. Publicação original indicada nas fontes; a Evoluta não tem vínculo institucional com a Universidade Harvard.

Fontes

  1. Investing in the Homelessness Response Workforce: Training in Data-Centric Approaches as a Workforce Support — Harvard Kennedy School, Government Performance Lab, 26/06/2024
  2. Investing in the Homelessness Response Workforce: Training in Data-Driven Approaches as a Workforce Support (PDF) — Harvard Kennedy School, Government Performance Lab, 26/06/2024
Fale no WhatsApp