Turnover em obras de montagem eletromecânica: aplicação de Machine Learning na gestão de pessoas

Gabriel Filipe Rebuiti Passos; Jailson dos Santos Silva

doi:10.47456/bjpe.v11i4.50222

Autores

Gabriel Filipe Rebuiti Passos Universidade de São Paulo - USP Autor https://orcid.org/0009-0002-7025-8595
Jailson dos Santos Silva Universidade Federal de Santa Catarina - UFSC Autor https://orcid.org/0000-0002-2083-2934

DOI:

https://doi.org/10.47456/bjpe.v11i4.50222

Palavras-chave:

Rotatividade, RH, Montagem eletromecânica

Resumo

Este estudo investigou os fatores que influenciam a substituição de colaboradores em obras de montagem eletromecânica, com foco na aplicação de técnicas estatísticas e de aprendizado de máquina para apoiar a gestão de pessoas. A pesquisa utilizou uma base de 7.333 registros de desligamentos ocorridos entre janeiro de 2023 e julho de 2025 em uma empresa brasileira do setor, contemplando variáveis individuais, organizacionais e relacionadas à jornada de trabalho. Após o pré-processamento e a análise exploratória dos dados, foram aplicados três modelos de classificação: regressão logística binária (com seleção stepwise), árvore de decisão e Random Forest (com calibração por grid search). Os resultados mostraram que fatores como percentual de abonos, tempo de casa, tipo de obra e estado de residência apresentaram maior relevância para a reposição de vagas. O modelo de Random Forest apresentou o melhor desempenho preditivo, alcançando AUC-ROC de 0,878 e coeficiente de Gini de 0,756, enquanto a regressão logística destacou-se pela interpretabilidade dos coeficientes. Conclui-se que a integração de métodos estatísticos e de machine learning contribui para antecipar cenários de rotatividade, subsidiando estratégias de retenção e alocação mais eficientes na gestão de recursos humanos em projetos industriais.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Gabriel Filipe Rebuiti Passos, Universidade de São Paulo - USP

Engenheiro Mecânico e Especialista em Data Science and Analytics pela ESALQ/USP.
Jailson dos Santos Silva, Universidade Federal de Santa Catarina - UFSC

É graduado (URCA), mestre (UFPB) e doutorando (UFSC) em Engenharia de Produção, com doutorado sanduíche na Universitat Jaume I (Espanha). Possui ainda especialização em Ciência de Dados, com foco em Business Intelligence (UNOPAR) e MBA em Finanças e Controladoria (USP). Atua como Professor Orientador dos cursos de MBA da ESALQ/USP e Pesquisador do Laboratório de Desempenho Logístico (LDL/UFSC). Ademais, é Revisor ad hoc de periódicos internacionais e nacionais. Áreas de interesse: Finanças e Valor, Gestão de Custos, Supply Chain Management com foco em Desempenho e Business Intelligence.

Referências

Aver, G., Miri, D. H., Chais, C., Matte, J., Ganzer, P. P., & Olea, P. M. (2020). Fatores de rotatividade em uma empresa do segmento metalomecânico: Rotativity factors in a mechanical metal segment company. Revista Visão: Gestão Organizacional, 9(2), 168-186. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.

Chiavenato, I. (2014). Gestão de Pessoas: O Novo Papel dos Recursos Humanos nas Organizações. 4 ed. Elsevier Brasil.

Cramér, H. (1999). Mathematical methods of statistics (Vol. 9). Princeton university press.

Dutra, J. S. (2016). Gestão de pessoas: modelo, processos, tendências e perspectivas. 3 ed. Atlas. Elmasri, R., Navathe, S. B., & Pinheiro, M. G. (2005). Sistemas de banco de dados.

Fávero, L. P., & Belfiore, P. (2024). Manual de análise de dados: Estatística e machine learning com Excel®, SPSS®, Stata®, R® e Python®. GEN, LTC.

Hair, J. F. (2009). Multivariate data analysis.

Han, J., Kamber, M., & Pei, J. (2020). Data mining: Concepts and. Techniques, Waltham: Morgan Kaufmann Publishers.

Hastie, T. (2009). The elements of statistical learning: data mining, inference, and prediction.

Hom, P. W., Lee, T. W., Shaw, J. D., & Hausknecht, J. P. (2017). One hundred years of employee turnover theory and research. Journal of applied psychology, 102(3), 530.

Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. John Wiley & Sons. James, G. (2013). An introduction to statistical learning with applications in R.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 12, 2825-2830.

Samuel, F. (2024). Retention Strategies for Project- Based Construction Workers: The Role of Career- Family Balance Initiatives.

Spearman, C. (1961). "General Intelligence" Objectively Determined and Measured.