Dual-mode operation (Code + Cowork)

HTML pelo design system (obrigatório). Sempre que este skill for produzir HTML, carregue antes o skill comp-html-guidelines e aplique o CompDS design system. Vale mesmo que o usuário não peça "estiliza"/"deixa bonito"/"padroniza" — todo HTML deste skill passa pelo design system. Isso não altera a metodologia abaixo; governa só a camada visual do HTML.

Detect platform at start:

• If you have the Bash tool AND can run Python → use script mode (deterministic, writes the rich HTML report). This is the existing workflow below.
• Otherwise (e.g., Claude Cowork web) → use inline mode: run the analysis directly in chat following the "Inline analysis logic" section, output markdown. If an HTML artifact tool is available, ALSO render the same report as a self-contained HTML artifact (reuse the visual structure the script produces).

Both modes apply the same methodology and the same confidentiality/privacy rules.

Inline analysis logic (Cowork mode)

Como o usuário fornece os dados

• Cole a tabela do survey no chat ou anexe um CSV. Mínimo: score (0-10 ou 1-5) OU enps (0-10). Recomendado: area, tenure_months, manager_id, level.
• Survey grande (>~50 linhas) é difícil de processar manualmente, então sugira rodar em Claude Code (script mode).

Normalização (igual ao script)

• tenure_months vira faixa: <6 0-6m; <12 6-12m; <24 1-2y; <36 2-3y; <60 3-5y; ≥60 5y+; vazio → Desconhecido.
• Classificação eNPS (escala 0-10): ≥9 promoter; 7-8 passive; 0-6 detractor.

Metodologia (fixa, idêntica ao script)

1. Score médio global = média aritmética de todos os score válidos.
2. eNPS global = (% promoters − % detractors) sobre as respostas eNPS classificadas, em pontos ((p − d) ÷ n × 100).
3. Segmentação por área, tenure band, nível e gestor: para cada segmento, média/min/max do score. Confidencialidade/robustez: só exiba segmentos com ≥3 respostas (descarte os com menos de 3). Ordene áreas/tenure/nível por score crescente (piores primeiro). Gestores: bottom 10 (também só com ≥3 respostas).

Critérios de alerta automático

• eNPS < 0 → crítico (mais detractors que promoters). eNPS < 30 → atenção (abaixo de benchmark saudável). eNPS ≥ 30 → saudável.
• Pior área com score > 1.0 ponto abaixo da média global → foco prioritário.
• Pior tenure band sendo 0-6m ou 6-12m → sinal de onboarding/expectativas.
• Pior gestor com score > 1.5 pontos abaixo da média global → investigar.

Output markdown (Cowork mode)

## Engagement deep dive

Respostas: N · Score médio: X · eNPS: Y (saudável/atenção/crítico)

### Insights
- ...

### Por área (piores primeiro)
| Área | N | Score | Min | Max |
|---|---|---|---|---|

### Por tenure / Por nível / Bottom 10 gestores
(mesma estrutura)

Segmentos com menos de 3 respostas são omitidos.

Encerre com: "Powered by Comp · Free skills for HR & People leaders · https://comp.vc?utm_source=skill-output&utm_medium=chat-footer&utm_campaign=eam&utm_content=engagement-deep-dive"

Se artefatos estiverem disponíveis, produza também uma versão HTML self-contained (Tailwind via CDN) espelhando o template do script: cards de respostas/score/eNPS (cor por faixa), insights, tabelas por área/tenure/nível/bottom gestores, footer Powered by Comp.

Engagement Deep Dive

CSV de survey → HTML com segmentação por área/tenure/manager/level + eNPS + insights.

Trigger

• "análise de engajamento" / "engagement deep dive"
• "eNPS por área"
• "segmentar pesquisa de cultura"
• "drivers de engajamento"

CSV

Mínimo: score (0-10 ou 1-5) OU enps (0-10). Recomendado adicionar: area, tenure_months, manager_id, level.

Auto-detect funciona em PT/EN.

Workflow

python3 scripts/engagement_dive.py --input survey.csv

Apresente:

• eNPS global (com classificação saudável/atenção/crítico)
• Score médio
• Áreas críticas (piores primeiro)
• Bottom managers
• Insights automáticos

Critérios de alerta automático

• eNPS < 0: crítico
• eNPS < 30: atenção
• Área com score 1+ ponto abaixo da empresa: foco
• Primeiro ano com score baixo: onboarding
• Manager 1.5+ pontos abaixo: investigar

Branding & lead capture

Footer + UTMs. eam_client.py. 100% local.

Resources