Intenção de rotatividade de funcionários - Mapeamento de perfis sob uma árvore de decisão
DOI:
https://doi.org/10.23925/2446-9513.2022v9id58575Palavras-chave:
Análise de Pessoas, Análise de RH, Rotatividade, Àrvores de DecisãoResumo
Este trabalho tem como objetivo mapear alguns perfis com maior propensão a sair prematuramente de uma empresa. A análise é importante porque afeta a produtividade dos funcionários e representa um alto custo para empresas em todo o mundo. A pesquisa aplica um modelo de árvore de decisão em um banco de dados de estudo de domínio público com 1470 registros, onde é possível agrupar perfis sob 38 variáveis diferentes para entender o que pode influenciar mais na rotatividade. O resultado é um modelo com 81% de acerto que identificou funcionários que trabalham horas extras e novos contratados na função de executivo de vendas com maior risco de desligamento prematuro da empresa. Em algumas abordagens de modelagem é necessário focar mais na interpretabilidade do que no desempenho. Como o objetivo desta pesquisa é mapear e entender os principais fatores de rotatividade, o modelo de árvore de decisão é o ideal. No entanto, o modelo tem um retorno de 27%, o que significa que pode prever cerca de 1/3 dos casos de rotatividade. Este artigo contribui com uma verdadeira aplicação de modelagem para Análise de Pessoas, compartilhando abertamente o desempenho do modelo e discutindo as características relacionadas à rotatividade. As empresas podem adaptar este estudo em seus bancos de dados para rastrear funcionários em grupos de risco de rotatividade.
Referências
A. Belete. (2018), “Turnover intention influencing factors of employees: an empirical workreview”, Journal of Entrepreneurship & Organization Management.
A.D. Cahyani, W. Budiharto. (2017), “Modeling intelligent human resources systems (irhs)using big data and support vector machine (svm)”, in: proceedings of the 9thInternational Conference on Machine Learning and Computing, pp. 137–140.
A. J. Myles, R. N. Feudale, Y. Liu, N. A. Woody, S. D. Brown. (2004), “An introduction todecision tree modeling”, Journal of Chemometrics: A Journal of the Chemometrics Society 18 pp. 275–285.
A. Lim, J. Loo, P. Lee. (2017), “The impact of leadership on turnover intention: Themediating role of organizational commitment and job satisfaction”, Journal of AppliedStructural Equation Modeling 1 pp. 27–41.
Chiat, L. C., & Panatik, S. A. (2019). “Perceptions of employee turnover intention by Herzberg’s motivation-hygiene theory: A systematic literature review”, Journal of Research in Psychology, 1(2) pp. 10-15.
D.S. Sisodia, S. Vishwakarma, A. Pujahari. (2017), “Evaluation of machine learning models for employee churn prediction”, in: International Conference on Inventive Computingand Informatics (ICICI), IEEE, pp. 1016–1020.
E. Rombaut, M.-A. Guerry. (2018), “Predicting voluntary turnover through human resources data base analysis”, Management Research Review.
G. Zeng. (2020), “On the confusion matrix in credit scoring and its analytical properties”, Communications in Statistics-Theory and Methods 49 pp. 2080–2093.
Holtom, B.C., Mitchell, T.R., Lee, T.W., & Inderrieden, E.J. (2005). “Shocks as causes ofturnover: what they are and how organizations can manage them.” Human Resource Management: Published in Cooperation with the School of Business Administration, The University of Michigan and in alliance with the Society of Human Resources Management, 44(3), pp. 337-352.
L. Yu, R. Zhou, R. Chen, K. K. Lai, (2022) “Missing data preprocessing in credit classification: One-hot encoding or imputation?”, Emerging Markets Finance and Trade 58 pp. 472–482.
M.K. Islam, M.M. Alam, M.B. Islam, K. Mohiuddin, A.K. Das, M.S. Kaonain. (2018), “An adaptive feature dimensionality reduction technique based on random forest onemployee turnover prediction model”, in: International Conference on Advances in Computing and Data Sciences, Springer, pp. 269–278.
M.M. Alam, K. Mohiuddin, M.K. Islam, M. Hassan, M. A.-U. Hoque, S. M. Allayear. (2018), “A machine learning approach to analyze and reduce features to a significant number for employee’s turn over prediction model”, in: Science and Information Conference, Springer, pp. 142–159.
N. Aswale, K. Mukul. (2020), “Role of data analytics in human resource management forprediction of attrition using job satisfaction”, in: Data Management, Analytics andInnovation, Springer, pp. 57–67.
Scikit-learn in Python: Decision trees (2022)., https://scikit-learn.org/stable/modules/tree.html#tree-algorithms-id3-c4-5-c5-0-and-cart, 1.10
Y.-Y. Song, L. Ying. (2015), “Decision tree methods: applications for classification andprediction”, Shanghai archives of psychiatry 27 p.130.
Zhao, Y., Hryniewicki, M. K., Cheng, F., Fu, B., & Zhu, X. (2018), “Employee turn over prediction with machine learning: A reliable approach”, in Proceedings of SAI intelligent systems conference pp. 737-758. Springer, Cham.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Vinícius Gomes Soares, José de Jesús Pérez Alcázar, Fernando Fagundes Ferreira
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.