Não discriminação

O que isso quer dizer na prática?

A LGPD proíbe usar dados pessoais (como nome, CPF, endereço ou até preferências) para criar vantagens ou desvantagens injustas para pessoas — tipo negar um serviço, demitir alguém ou oferecer condições diferentes só porque a pessoa é de um grupo específico (ex.: gênero, raça, religião). Exemplo: não pode cruzar dados de clientes para bloquear crédito só porque moram em certa região ou têm determinado sobrenome.

Como atender (passo a passo)

1. Revisar critérios de decisão automatizados Checar se sistemas (ex.: aprovação de crédito, seleção de currículos, promoções) usam dados pessoais de forma neutra. Exemplo: se um algoritmo rejeita candidatos com mais de 50 anos, precisa ter justificativa técnica clara (não só "achismo").
2. Treinar equipes que lidam com dados Ensine RH, comercial e atendimento a não usar informações pessoais para tomar decisões parciais. Exemplo: vendedor não pode priorizar clientes por bairro "nobre" sem regra objetiva (ex.: ticket médio comprovado).
3. Documentar regras de uso de dados Criar políticas internas que expliquem por escrito como dados são usados em cada área. Exemplo: "O setor de cobrança não pode usar origem étnica para definir estratégias de negociação".
4. Auditar processos suspeitos Verificar áreas de risco (ex.: contratação, precificação, demissões) para garantir que não há viés. Ferramenta simples: perguntar: "Se trocássemos o nome/endereço desse cliente por outro, a decisão seria a mesma?".
5. Criar canal para denúncias Permitir que funcionários ou clientes reportem suspeitas de discriminação (ex.: caixa de email lgpd@empresa.com ou formulário anônimo).

O que auditor procura como evidência

• Políticas internas assinadas pela direção que proíbam uso discriminatório de dados (ex.: "Manual de Conduta Ética" com seção sobre LGPD).
• Registros de treinamentos com lista de participantes e conteúdo (ex.: slide "Não-discriminação" na capacitação de RH).
• Relatórios de auditoria interna mostrando que processos foram revisados (ex.: "Análise do algoritmo de scoring de crédito — sem viés por gênero").
• Comprovantes de canal de denúncia (ex.: prints do formulário online ou emails de resposta a reclamações).

Erros comuns

• Achismo nas regras: Usar "intuição" para segmentar clientes (ex.: "Esse público não paga bem") sem dados concretos. Solução: Exigir justificativa por escrito para qualquer filtro.
• Ignorar dados indiretos: Cruzar informações aparentemente "neutras" (ex.: CEP + escola dos filhos) para inferir raça/classe e tomar decisões. Solução: Mapear todos os dados usados em cada processo.
• Falta de transparência: Não explicar claramente aos funcionários ou clientes como seus dados são usados. Solução: Incluir nos contratos/termos de uso uma frase como: "Seus dados não serão usados para fins discriminatórios".