Previsão de desligamento de funcionários na operação logística : um estudo comparativo de modelos de machine learning

Abstract

Resumo: Este trabalho apresenta um estudo de previsão de desligamento de funcionários operacionais do setor logístico de uma empresa, utilizando técnicas de ciência de dados. Após análise exploratória dos dados, foram construídos e avaliados três modelos de aprendizado de máquina - KNN, Árvore de Decisão e XGBoost - para prever o desligamento dos colaboradores antes de completar um ano na empresa. Os modelos foram comparados por métricas de desempenho como acurácia, precisão, recall e F1- score. Os resultados indicam que o XGBoost apresentou melhor desempenho geral, com precisão de 87%, e recomendações práticas são apresentadas com a finalidade de apoiar a área de Recursos Humanos na retenção de talentos e redução de custos com rotatividade

Abstract: This study presents a prediction analysis of employee turnover among operational staff in the logistics sector of a company, using data science techniques. After performing exploratory data analysis, three machine learning models — KNN, Decision Tree, and XGBoost — were built and evaluated to predict employee turnover before completing one year at the company. The models were compared using performance metrics such as accuracy, precision, recall, and F1-score. Results indicate that XGBoost demonstrated the best overall performance, with 87% precision, and practical recommendations are provided to support the Human Resources department in talent retention and cost reduction related to employee turnover