Como o Machine Learning nos ajuda a prever o futuro no RH?

Em um mundo cada dia mais incerto do que está por vir, prever futuros é uma necessidade e tanto para qualquer negócio.

E, antes de falar de prever futuros e o papel do machine learning, precisamos entender o conceito que há por trás de tudo isso: o da inteligência artificial.

Quando se escuta sobre Inteligência Artificial (IA) a primeira coisa que vem à cabeça são robôs, mas a verdade é que a IA está mais presente do que imaginamos!

Seja em uma detecção de spam na sua caixa de e-mail, ou de uma recomendação de filme em uma plataforma de streaming até assistentes controlados por voz, como Siri e Alexa.

E, quando pensamos em negócio, é um fato que a IA já está presente em diversos setores, como pode ser observado na imagem abaixo:

Mesmo com essa alta inserção no mercado, vemos a baixa utilização de inteligência artificial no RH, demonstrando que há um grande potencial ainda não explorado de uma atuação de fato estratégica. Está na hora de tirar a sobrecarga de atividades que máquinas poderiam estar fazendo no lugar de humanos, não é mesmo?

E o que é uma IA?

Inteligência Artificial é uma ampla área da ciência da computação que objetiva criar máquinas inteligentes e que funcionem de forma semelhante a trabalhos humanos.

É dividida entre IA generalizada e IA específica. O conceito por trás da IA ​​generalizada é desenvolver máquinas que possam executar várias tarefas.

A mais relevante para o RH é a IA específica, que tem o foco em executar apenas uma tarefa melhor do que um humano poderia executar com mais agilidade e precisão, por exemplo.

O que é machine learning?

É um subconjunto de IA específica que possui bastante importância para o RH, pois se trata de um sistema que pode modificar seu comportamento autonomamente tendo como base a sua própria experiência com uma interferência humana mínima a partir de dados coletados.

São basicamente computadores aprendendo a executar uma tarefa em vez de seguir instruções pré-existentes. Dependendo do resultado, o computador adapta a forma como toma decisões no futuro – em outras palavras, “aprende”.

Para isso, se estabelece um conjunto de regras lógicas que visam melhorar o desempenho de uma tarefa ou, dependendo da aplicação, tomar a decisão mais apropriada para cada contexto. Essas regras são geradas com base no reconhecimento de padrões dentro dos dados analisados.

Existem 3 tipos amplos de machine learning: por Reforço, não supervisionada, e supervisionada. Essa última é a responsável por prever futuros no RH. Vamos entender melhor sobre ela?

Aprendizagem supervisionada

Nesta categoria de aprendizagem se busca prever um resultado, como: quando um funcionário deixará a empresa, o risco de um funcionário se lesionar ou como definir o salário inicial ideal.

Para exemplificar melhor, vamos utilizar como exemplo a previsão de quem deixará a organização, trazido por Adam McKinnon em um dos seus artigos:

Imagine que 1 em cada 5 novos membros deixa uma organização nos primeiros 12 meses de trabalho.

Para evitar essa rotatividade, podemos construir um modelo de aprendizagem supervisionada que preveja a probabilidade de pedidos de desligamentos precoces,, para que nossos colegas de RH e gerentes possam intervir.

Neste exemplo, o resultado do modelo previsto é o risco de rotatividade, e os recursos usados ​​para prever o risco de rotatividade podem incluir características demográficas e de emprego dos funcionários.

Podem ser considerados fatores como: idade, nível educacional, nível de função, remuneração em relação ao mercado, presença de planos de desenvolvimento, etc.

1. Vamos mapear quais são os fatores mais influentes na previsão do turnover de uma empresa. 

Um exemplo de saída do modelo é apresentado na figura abaixo, que ilustra se um recurso evita a rotatividade (barras verdes) ou promove a rotatividade (linhas vermelhas), e a importância relativa de cada recurso na previsão de rotatividade com linhas mais ou menos longas.

2. O modelo também avalia a probabilidade dos novos talentos de deixarem a empresa, permitindo uma intervenção focada (ou seja, o risco do novo talento sair nos primeiros 12 meses).

3. O modelo identifica as características que previnem ou promovem o risco de rotatividade para cada funcionário. Essa saída individualizada pode permitir que os profissionais de RH tomem ações informadas e personalizadas, independentemente de conhecerem pessoalmente cada funcionário.

Esse foi um exemplo da utilização do Machine Learning para otimizar o RH, trazendo previsões para direcionar a construção de soluções que, no final das contas, trará inúmeros benefícios estratégicos e financeiros ao negócio.

Além desse exemplo, é possível utilizar da técnica de aprendizagem supervisionada para:

Planejamento de força de trabalho

Entendendo, por exemplo, a quantidade que se aposentará nos próximos anos e a quantidade de funcionários que terão que ser substituídos.

Identificar possíveis áreas na empresa em que pode-se ter deficiências de talentos em um futuro próximo de curto ou médio prazo;

Aquisição de talentos

Prever quantos funcionários será necessário recrutar nos próximos 2 a 4 trimestres para atingir as metas de negócios;

Quantas equipes de aquisição de talentos serão necessárias em localidades específicas para atender aos requisitos de recrutamento sazonal (que variam conforme o local);

Orçamento financeiro

Prever e definir quais são os requisitos orçamentários futuros para as atividades do RH;

Quais serão os requisitos futuros de recursos financeiros associados ao estabelecimento de uma equipe de People Analytics no RH;

Esses são exemplos de diversas maneiras pelas quais a previsão pode ser aplicada nas áreas de RH para tomar decisões baseadas em dados! E você, já havia estudado sobre o Machine Learning e o universo de possibilidades que ele traz?

Para saber mais sobre dados no RH e a implementação do People Analytics na sua empresa, baixe nosso E-book!

Como implementar o people analytics na Gestão de Pessoas da minha Empresa?