Previsão das saídas por iniciativa do colaborador

Abstract

O turnover voluntário é um dos grandes desafios enfrentados pelos recursos humanos e pelas respetivas organizações, principalmente devido aos custos associados, como recrutamento, formação e perda de conhecimento organizacional. Nesse sentido, este projeto tem como objetivo desenvolver um modelo de machine learning, para uma empresa do setor segurador, que identifique quais os colaboradores com maior probabilidade de saírem voluntariamente, assim como as variáveis que mais influenciam essa decisão, fornecendo à empresa uma ferramenta importante na prevenção do turnover e de implementação de estratégias de retenção. A metodologia adotada foi o CRISP-DM que é composta por seis fases: compreensão do negócio, compreensão dos dados, preparação dos dados, modelação, avaliação e implementação. O conjunto de dados era composto por 1121 observações das quais 92 eram saídas. Para lidar com o desbalanceamento das classes, aplicaram-se técnicas de oversampling e undersampling. Para encontrar os melhores hiperparâmetros de cada algoritmo foi utilizado o método RandomizedSearchCV. O conjunto de dados foi dividido em 80% para treino e 20% para teste, utilizando validação cruzada k-fold com 5 folds (subconjuntos) no conjunto de treino. Foram avaliados cinco modelos de classificação: Regressão Logística, Árvore de Decisão, Floresta Aleatória, XGBoost e AdaBoost. A Floresta Aleatória destacou-se como o melhor modelo, com precisão e sensibilidade de 82%, e especificidade de 98%, no conjunto de teste. As variáveis mais relevantes para a previsão de turnover foram, por ordem de importância, idade, promoções, antiguidade e vma (remuneração fixa anual). O modelo foi utilizado para criar diferentes níveis de risco de saída, permitindo à empresa aplicar estratégias proativas de retenção. Este trabalho contribui para a utilização de ferramentas preditivas na gestão de recursos humanos, oferecendo uma abordagem prática para reduzir o turnover e os custos a ele associados.

Voluntary turnover is one of the major challenges faced by human resources and their organisations, mainly due to the associated costs, such as recruitment, training and loss of organisational knowledge. With this in mind, this project aims to develop a machine learning model for a company in the insurance sector that identifies which employees are most likely to leave voluntarily, as well as the variables that most influence this decision, providing the company with an important tool for preventing turnover and implementing retention strategies. The methodology adopted was CRISP-DM, which consists of six phases: business understanding, data understanding, data preparation, modelling, evaluation and deployment. The data set consisted of 1121 observations of which 92 were voluntary leaves. To deal with imbalance data, oversampling and undersampling techniques were applied. The RandomisedSearchCV method was used to find the best hyperparameters for each algorithm. The data set was divided into 80% for training and 20% for testing, using k-fold cross-validation with 5 folds in the training set. Five classification models were evaluated: Logistic Regression, Decision Tree, Random Forest, XGBoost and AdaBoost. Random Forest stood out as the best model with 82% of precision and sensitivity in the test sample. The most relevant variables for predicting turnover were, in order of importance, age, promotions, seniority and annual fixed remuneration. The model was used to create different levels of risk of leaving, allowing the company to apply proactive retention strategies. This work contributes to the use of predictive tools in human resources management, offering a practical approach to reducing turnover and its associated costs.