Desenvolvimento de algoritmo da inteligência artificial para predição de desligamento de funcionários
Introdução e Objetivo: A rotatividade de pessoal impacta a dinâmica empresarial, exigindo equilíbrio entre novas contratações e o desligamento de perfis inadequados. O foco deste trabalho é o "desgaste" do funcionário — a deterioração de sua relação com a empresa. O objetivo é desenvolver...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Online |
| Language: | Portuguese |
| Published: |
Universidade Estadual de Campinas (UNICAMP)
2023
|
| Subjects: | |
| Online Access: | https://econtents.sbu.unicamp.br/eventos/index.php/simtec/article/view/7573 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Introdução e Objetivo: A rotatividade de pessoal impacta a dinâmica empresarial, exigindo equilíbrio entre novas contratações e o desligamento de perfis inadequados. O foco deste trabalho é o "desgaste" do funcionário — a deterioração de sua relação com a empresa. O objetivo é desenvolver uma Inteligência Artificial capaz de detectar e prevenir o desligamento voluntário, reduzindo custos e preservando o capital intelectual. Metodologia: Pesquisa descritiva com abordagem quali-quantitativa. Os dados foram extraídos da plataforma Kaggle e analisados por meio de gráficos e tabelas de correlação para identificar padrões comportamentais. O processo envolveu limpeza de dados, pré-processamento, treinamento de algoritmos e predição. Resultados: Comparou-se o desempenho de três modelos, com destaque para a superioridade da Floresta Randômica. Floresta Randômica: $R^2$ de 86,05%; Erro Absoluto Médio de 13,94%; Gradient Boosting: $R^2$ de 86,05%; Erro Absoluto Médio de 13,94%; Regressão Ridge: $R^2$ de 8,60%; Erro Absoluto Médio de 24,24%. Conclusão: A Floresta Randômica apresentou a maior acurácia, identificando que funcionários solteiros, em cargos de baixo nível hierárquico e que realizam horas extras são os mais propensos à demissão. Observou-se que o tamanho reduzido do dataset e o número de atributos limitaram o potencial de treinamento, sugerindo a necessidade de bases de dados maiores para maior efetividade preditiva. |
|---|---|
| ISSN: | 2525-5398 |
