LGBM e regressão logística na previsão de turnover de funcionários

• Autor(a) principal: Zanetti, Igor Boari
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/276992
• topic: Turnover; Regressão logística; Aprendizado de máquina; Turnover analysis; Logistic regression; Machine learning; People analytics

O cenário empresarial atual enfrenta desafios significativos, sendo a alta rotatividade de funcionários uma preocupação constante para as organizações. Este fenômeno não apenas consome recursos financeiros, mas também afeta diretamente a estabilidade operacional e o desempenho das empresas, forçando uma alocação constante de recursos e tempo na contratação de novos funcionários. Neste cenário, torna-se essencial buscar estratégias eficazes para a retenção de talentos, visando aprimorar e facilitar a gestão de recursos humanos. Este trabalho propõe uma solução baseada em modelos preditivos para antecipar a probabilidade de turnover em diferentes cargos. Utilizando técnicas de regressão logística e machine learning (LGBM), foi analisado um banco de dados composto por funcionários admitidos de janeiro de 2016 até junho de 2021. O modelo de regressão logística é amplamente reconhecido como o padrão para problemas desse tipo, sendo uma abordagem consolidada e facilmente interpretável. Já o modelo LGBM oferece uma abordagem mais avançada, capturando padrões complexos nos dados que podem impactar para a criação de um modelo com precisão superior. Os modelos foram avaliados utilizando três medidas de desempenho: área abaixo da curva ROC, taxa de acerto e o teste KS. Essas métricas permitem uma análise da capacidade preditiva dos modelos, quantificando sua eficácia na previsão do turnover. Adicionalmente, foram criadas faixas de risco para categorizar os aplicantes, proporcionando ao setor de Recursos Humanos uma ferramenta visual prática para identificar candidatos com maior probabilidade de prolongada permanência no cargo.