People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Boen, Vinicius de Oliveira
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado computacional
Computer learning
Data mining
Human resources
Logistic regression
Mineração de dados
Recursos humanos
Regressão logística
Turnover
Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-01122022-093014/
Resumo: Este projeto engloba técnicas de aprendizado de máquina aplicadas no contexto de People Analytics com a aplicação de modelos preditivos supervisionados para classificação de turnover, com o objetivo de auxiliar o processo de tomada de decisão de uma empresa cuja o nome não será citado, impactando diretamente na performance organizacional. Os dados utilizados foram extraídos de uma plataforma de People Analytics, que centraliza as informações dos funcionários. A construção do conjunto de dados final ocorreu através da utilização de técnicas de mineração para manipulação e tratamento. Em seguida, foram aplicadas técnicas de pré-processamento para adequar os dados aos algoritmos de classificação Random Forest, Naive Bayes, Regressão Logística e Decision Tree. Os resultados foram compilados e analisados considerando as principais medidas de avaliação para classificação. Os classificadores Random Forest e Regressão Logística apresentaram os melhores desempenhos e por isso foram selecionados para a etapa de interpretação com a ferramenta SHAP. Dessa análise foi selecionado o classificador regressão logística para a última etapa de análise pós predição, onde foi observado a relação da probabilidade de turnover dos casos de falso positivo com o tempo até turnover futuro desses casos.
id USP_035b3e937a0469a0c822fc057d1c277f
oai_identifier_str oai:teses.usp.br:tde-01122022-093014
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnovePeople Analytics: Machine learning on the strategic management of human resources, applying a predicting turnoverAprendizado computacionalComputer learningData miningHuman resourcesLogistic regressionMineração de dadosRecursos humanosRegressão logísticaTurnoverTurnoverEste projeto engloba técnicas de aprendizado de máquina aplicadas no contexto de People Analytics com a aplicação de modelos preditivos supervisionados para classificação de turnover, com o objetivo de auxiliar o processo de tomada de decisão de uma empresa cuja o nome não será citado, impactando diretamente na performance organizacional. Os dados utilizados foram extraídos de uma plataforma de People Analytics, que centraliza as informações dos funcionários. A construção do conjunto de dados final ocorreu através da utilização de técnicas de mineração para manipulação e tratamento. Em seguida, foram aplicadas técnicas de pré-processamento para adequar os dados aos algoritmos de classificação Random Forest, Naive Bayes, Regressão Logística e Decision Tree. Os resultados foram compilados e analisados considerando as principais medidas de avaliação para classificação. Os classificadores Random Forest e Regressão Logística apresentaram os melhores desempenhos e por isso foram selecionados para a etapa de interpretação com a ferramenta SHAP. Dessa análise foi selecionado o classificador regressão logística para a última etapa de análise pós predição, onde foi observado a relação da probabilidade de turnover dos casos de falso positivo com o tempo até turnover futuro desses casos.This project encompasses machine learning techniques applied in the context of People Analytics with the application of supervised predictive models for turnover classification, with the objective of helping the decision-making process of a company (whose name will not be mentioned), directly impacting the organizational performance. The data used were extracted from a platform, which centralizes employee information. Data mining techniques were used to manipulate and clean the extracted data and to build a final dataset. Then, pre-processing techniques were applied to adapt the data to the Random Forest, Naive Bayes, Logistic Regression and Decision Tree classification algorithms. The results were compiled and analyzed considering the main evaluation measures for classification. The Random Forest and Logistic Regression classifiers presented the best performances and, therefore, were selected for the interpretation stage with the SHAP tool. From this analysis, the logistic regression classifier was selected for the last stage of post-prediction analysis, where the relationship between the probability of turnover of false positive cases and the time until future turnover of these cases was observed.Biblioteca Digitais de Teses e Dissertações da USPNonato, Luis GustavoBoen, Vinicius de Oliveira2022-09-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/55/55137/tde-01122022-093014/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2022-12-01T11:38:59Zoai:teses.usp.br:tde-01122022-093014Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-12-01T11:38:59Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
People Analytics: Machine learning on the strategic management of human resources, applying a predicting turnover
title People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
spellingShingle People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
Boen, Vinicius de Oliveira
Aprendizado computacional
Computer learning
Data mining
Human resources
Logistic regression
Mineração de dados
Recursos humanos
Regressão logística
Turnover
Turnover
title_short People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
title_full People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
title_fullStr People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
title_full_unstemmed People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
title_sort People Analytics: Aprendizado de máquina na gestão estratégica de pessoas, aplicando modelo preditivo de turnove
author Boen, Vinicius de Oliveira
author_facet Boen, Vinicius de Oliveira
author_role author
dc.contributor.none.fl_str_mv Nonato, Luis Gustavo
dc.contributor.author.fl_str_mv Boen, Vinicius de Oliveira
dc.subject.por.fl_str_mv Aprendizado computacional
Computer learning
Data mining
Human resources
Logistic regression
Mineração de dados
Recursos humanos
Regressão logística
Turnover
Turnover
topic Aprendizado computacional
Computer learning
Data mining
Human resources
Logistic regression
Mineração de dados
Recursos humanos
Regressão logística
Turnover
Turnover
description Este projeto engloba técnicas de aprendizado de máquina aplicadas no contexto de People Analytics com a aplicação de modelos preditivos supervisionados para classificação de turnover, com o objetivo de auxiliar o processo de tomada de decisão de uma empresa cuja o nome não será citado, impactando diretamente na performance organizacional. Os dados utilizados foram extraídos de uma plataforma de People Analytics, que centraliza as informações dos funcionários. A construção do conjunto de dados final ocorreu através da utilização de técnicas de mineração para manipulação e tratamento. Em seguida, foram aplicadas técnicas de pré-processamento para adequar os dados aos algoritmos de classificação Random Forest, Naive Bayes, Regressão Logística e Decision Tree. Os resultados foram compilados e analisados considerando as principais medidas de avaliação para classificação. Os classificadores Random Forest e Regressão Logística apresentaram os melhores desempenhos e por isso foram selecionados para a etapa de interpretação com a ferramenta SHAP. Dessa análise foi selecionado o classificador regressão logística para a última etapa de análise pós predição, onde foi observado a relação da probabilidade de turnover dos casos de falso positivo com o tempo até turnover futuro desses casos.
publishDate 2022
dc.date.none.fl_str_mv 2022-09-23
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/55/55137/tde-01122022-093014/
url https://www.teses.usp.br/teses/disponiveis/55/55137/tde-01122022-093014/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257799296286720

Registros relacionados