Modelagem preditiva na gestão de carreira

Uma questão que frequentemente surge na gestão de carreira é como escolher potenciais colaboradores para se tornarem chefes e alcançar metas de desempenho com base nos dados históricos dos funcionários. Esta pesquisa tenta responder à pergunta e procura determinar quais fatores podem afetar um funcionário para se tornar um chefe e capaz de atingir a meta de desempenho. Para abordar a questão, este estudo adota uma abordagem de modelagem preditiva usando técnicas de classificação e a função de divergência KL. A pesquisa propõe algumas recomendações com base no algoritmo aplicado. Além disso, o estudo demonstra que é mais fácil escolher um chefe com base em seus dados históricos em comparação a prever qual funcionário pode ter um bom desempenho no futuro ou prever tanto potenciais chefes quanto funcionários de alto desempenho. Se a organização quiser selecionar potenciais colaboradores para se tornarem chefes e prever que eles alcançarão suas metas, as técnicas de classificação devem incluir todos os funcionários como a população e evitar escolher apenas subconjuntos para garantir a confiança do resultado. Enquanto isso, a função de divergência KL gera competências que afetam o funcionário que se torna um chefe e atinge a meta. Elas são orientação para realização, adaptabilidade, pensamento analítico, comunicação e busca de informações.