Aprendizado de Máquina em Análise de Recursos Humanos: Um Estudo Comparativo sobre a Precisão Preditiva de Modelos de Atração

Um dos maiores desafios na gestão de recursos humanos é prever a perda de funcionários. Este estudo comparará modelos de aprendizado de máquina. A pesquisa identifica as melhores técnicas de previsão precisas para ajudar as empresas a reter pessoal-chave e melhorar a estabilidade e o desempenho da equipe. A análise estatística utilizou um conjunto de dados abrangente, incluindo informações demográficas, características do trabalho e índices de satisfação, todos os quais têm potencial para influenciar a rotatividade dos funcionários. Utilizamos vários modelos de aprendizado de máquina, como Regressão Logística, Árvore de Decisão, Floresta Aleatória, GBM, XGBoost, SVM e KNN, para prever a rotatividade. Com ênfase no grupo sub-representado de funcionários que estão saindo, comparamos a precisão, precisão, recall e F1-score de cada modelo. A área de análise de recursos humanos é substancialmente aprimorada pela análise minuciosa dos vários algoritmos de aprendizado de máquina para previsão de rotatividade. A comparação de modelos e a avaliação de desempenho realizadas neste estudo fornecem percepções valiosas para praticantes e acadêmicos. O artigo enriquece o tema ao examinar abordagens de ensemble e boosting negligenciadas na literatura de análise de recursos humanos e compará-las com modelos convencionais. Esses modelos sofisticados são capazes de capturar padrões complexos de rotatividade de funcionários que modelos mais simples podem não conseguir detectar. O desempenho do modelo exibe variabilidade, com metodologias de ensemble, como Floresta Aleatória e Máquinas de Boosting Gradiente, demonstrando capacidades preditivas superiores para retenção de funcionários. Ao focar na precisão e recall da classe minoritária (trabalhadores que saíram), o modelo SVM demonstrou um equilíbrio significativo, destacando sua utilidade na previsão de rotatividade.