Predição de absenteísmo na manufatura : um modelo para auxílio na tomada de decisão

Abstract

Resumo: A carga cognitiva no trabalho está associada ao estresse, que por sua vez está relacionado a menor eficiência da indústria devido ao absenteísmo, diminuição da qualidade, redução da produtividade e aumento dos custos com assistência médica. Essa pesquisa tem como objetivo desenvolver um método de predição de absenteísmo de funcionários da indústria manufatureira. Com a metodologia Design Science Research, desenvolveu-se um método de sete etapas de predição de absenteísmo em uma indústria alimentícia de médio porte. Primeiramente foi realizada a revisão bibliográfica sistemática para compreensão dos principais fatores associados ao absenteísmo no contexto da indústria. A seguir foram aplicadas ferramentas psicométricas para avaliar a saúde do trabalhador. Os dados foram coletados remotamente e armazenados em nuvem. Para análise dos dados, foram criadas modelagens preditivas com 6 variáveis NASA-TLX e com 15 variáveis biopsicossociais. Foram considerados os parâmetros AUC, AIC, BIC, máxima verossimilhança e acurácia com diferentes pontos de corte para duas variáveis dependentes (absenteísmo por doença e por doença ou acidente de trabalho). Os resultados indicaram que os modelos que adotaram o procedimento stepwise a partir de 15 variáveis apresentaram melhor desempenho. Como conclusão, modelos de predição que consideram fatores biológicos, psicológicos e sociais permitem uma compreensão abrangente dos determinantes do afastamento dos trabalhadores, resultando em estratégias de intervenção mais eficazes e direcionadas. Portanto, o planejamento dos recursos empresariais baseado em dados para tomada de decisão surge como uma abordagem promissora para aumentar a eficiência e a competitividade da indústria

Abstract: Cognitive load at work is associated with stress, which in turn is related to reduced industrial efficiency due to absenteeism, decreased quality, reduced productivity, and increased healthcare costs. This research aims to develop a method for absenteeism prediction among employees in the manufacturing industry. Using the Design Science Research methodology, a seven-step absenteeism prediction method was developed for a medium-sized food industry. The process began with a systematic literature review to understand the main factors associated with absenteeism in the industrial context. Subsequently, psychometric tools were applied to evaluate worker health. Data were collected remotely and stored in the cloud. For data analysis, predictive modeling was used with 6 NASA-TLX variables and 15 biopsychosocial variables. Parameters such as AUC, AIC, BIC, maximum likelihood, and accuracy were considered with different cut-off points for two dependent variables (absenteeism due to illness and due to illness or workplace accident). The results indicated that models using the stepwise procedure with 15 variables performed better. In conclusion, predictive models that consider biological, psychological, and social factors provide a comprehensive understanding of the determinants of worker absenteeism, resulting in more effective and targeted intervention strategies. Therefore, data-driven enterprise resource planning for decision-making emerges as a promising approach to enhance industry efficiency and competitiveness