LGBM e regressão logística na previsão de turnover de funcionários

Abstract

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.

The current business scenario faces significant challenges, with high employee turnover being a constant concern for organizations. This phenomenon not only consumes financial resources but also directly impacts operational stability and overall company performance, necessitating a constant allocation of resources and time for hiring new employees. In this context, it becomes essential to seek effective strategies for talent retention, aiming to enhance and streamline human resources management. This work proposes a solution based on predictive models to anticipate the probability of turnover in varied positions. Using regression logistic techniques and machine learning (LGBM), a database comprising employees hired from January 2016 to June 2021 was analyzed. The logistic regression model is widely recognized as the standard for such problems, providing a consolidated and easily interpretable approach. On the other hand, the LGBM model offers a more advanced approach, capturing complex patterns in the data that can contribute to creating a model with superior accuracy. The models were evaluated using three performance measures: area under the ROC curve, accuracy rate, and the KS test. These metrics enable an analysis of the predictive capacity of the models, quantifying their effectiveness in forecasting turnover. Additionally, risk bands were created to categorize applicants, providing the Human Resources sector with a practical visual tool to identify candidates with a higher likelihood of prolonged tenure in the position.