Método preditivo de desligamentos pré-breakeven no setor tecnológico via aprendizado de máquina

Abstract

A presente dissertação investiga o fenômeno da rotatividade voluntária (turnover) em organizações de tecnologia, propondo uma abordagem inovadora de people analytics orientada pela sustentabilidade financeira. O objetivo central consistiu no desenvolvimento e validação de um modelo preditivo focado na identificação de desligamentos que ocorrem antes do ponto de equilíbrio econômico (breakeven) do colaborador, transcendendo as métricas generalistas de retenção. A método adotada integrou um inventário diversificado de atributos validado em ampla revisão bibliográfica e variáveis financeiras e contratuais inéditas, estruturando um dataset sintético enriquecido e aderente ao contexto de empresas brasileiras de base tecnológica. O estudo empírico comparou dois cenários de modelagem, um focado no risco pré-breakeven e outro generalista, submetendo-os a algoritmos de aprendizado de máquina supervisionado, sendo eles logistic regression, random forest, lightGBM, k-neighbors, support vector classification e multi-layer perceptron com otimização de hiperparâmetros voltada à maximização da métrica recall. Os resultados evidenciaram a supremacia das arquiteturas de ensemble learning, notadamente o random forest, que obteve um recall médio de 0,8353 no cenário focado no risco pré-breakeven, superando a abordagem generalista e demonstrando a incapacidade de modelos lineares em capturar a não linearidade do fenômeno. Conclui-se que a integração de dados financeiros à modelagem de comportamento humano refina a capacidade preditiva, permitindo que as organizações priorizem estratégias de retenção onde o passivo de investimento é crítico, otimizando a alocação de recursos corporativos.

Abstract: This dissertation investigates the phenomenon of voluntary turnover in technology organizations, proposing a novel people analytics approach driven by financial sustainability. The core objective consisted of developing and validating a predictive model aimed at identifying departures occurring prior to the employee's economic breakeven point, transcending generalist retention metrics. The adopted method integrated a diverse inventory of attributes validated through extensive literature review with novel financial and contractual variables, structuring an enriched synthetic dataset tailored to the context of Brazilian technology-based companies. The empirical study compared two modeling scenarios, one focused on pre-breakeven risk and a generalist one, subjecting them to supervised machine learning algorithms, namely Logistic Regression, Random Forest, LightGBM, K-Neighbors, Support Vector Classification, and Multi-Layer Perceptron, with hyperparameter optimization aimed at maximizing the recall metric. Results evidenced the superiority of ensemble learning architectures, notably Random Forest, which achieved an average recall of 0.8353 in the pre-breakeven risk scenario, outperforming the generalist approach and demonstrating the inability of linear models to capture the phenomenon's non-linearity. It is concluded that integrating financial data into human behavior modeling enhances predictive capacity, allowing organizations to prioritize retention strategies where the investment liability is critical, thereby optimizing corporate resource allocation.