Defesa de Tese de Doutorado de Elaine Flávio Rangel Seixas – 04/07/2025, 15h, por videoconferência
Link para defesa: meet.google.com/wjw-igeb-bgh
Uma Abordagem Baseada em Tecnologias de Inteligência Artificial para Retenção de Talentos
Resumo:
As demandas de mercado em ecossistemas da inovação são bastante dinâmicas e complexas, o que exige tanto dos colaboradores quanto das empresas uma cultura de desenvolvimento constante, por parte dos colaboradores de suas habilidades e conhecimentos e por parte da empresa de seus processos, produtos e serviços. Entre os problemas conhecidos no setor de tecnologia e inovação está a elevada rotatividade (turnover) dos colaboradores nas empresas de tecnologia ligadas à inovação, resultando em desafios para a gestão das equipes e gestão do conhecimento. Visando tratar este problema, na literatura são apresentados modelos baseados em Aprendizado de Máquina para prever o risco de rotatividade, ou seja, a saída de um colaborador, que acarreta em buscar novos talentos no mercado. Além da previsão de risco de perda de colaboradores, trabalhar a retenção de talentos em tais empresas também é um caminho possível para tratar a rotatividade. Para melhor entendimento do estado da arte no contexto deste problema, realizamos uma Revisão Sistemática da Literatura (RSL) com o objetivo de entender melhor como as ferramentas baseadas em Inteligência Artificial estão sendo utilizadas nos ecossistemas de Recursos Humanos. Focamos na nossa RSL a retenção de talentos em empresas do ecossistema de inovação, além de melhor entender os principais motivos que levam ao desligamento voluntário. Verificamos que 76,92% dos trabalhos apresentam de forma direta ou indireta os motivos para migração ou retenção de colaboradores. Além disso, nesses mesmos trabalhos observamos que os autores apresentam algum tipo de modelo construído por algoritmos de aprendizado de máquina utilizando distintos atributos de entrada, ligados aos motivos que levam ao desligamento voluntário. A partir desses achados, neste trabalho propomos uma abordagem para tratar o problema de rotatividade em empresas de tecnologia ligadas à inovação utilizando tecnologias de Inteligência Artificial. Mais especificamente, a abordagem proposta envolve duas tarefas. A primeira envolve a previsão do risco de desligamento voluntário de um colaborador, baseada em aprendizado de máquina. Percebemos também na RSL que o não alinhamento entre colaboradores com risco de desligamento a projetos que julgam interessantes é uma das causas apontadas. Assim, a segunda tarefa na abordagem proposta envolve a construção de um modelo de recomendação para apoiar o alinhamento de projetos a colaboradores, principalmente aqueles com risco de desligamento, utilizando técnicas de mineração de tópicos, uma subárea de aprendizado de máquina não-supervisionado. Para a primeira tarefa, ou seja, a construção de modelos de previsão de risco de desligamento voluntário, realizamos uma pesquisa por meio de questionário com público de profissionais ativos da área de Tecnologia da Informação, cujo objetivo foi entender se o trabalho remoto seria um atributo importante para um modelo de previsão de turnover. Fizemos essa investigação devido (i) ao trabalho remoto ser uma realidade cada vez mais presente após o período pandêmico; e (ii) a nenhum modelo proposto para previsão de turnover considerar o trabalho remoto como atributo. Como resultado preliminares, das 78 respostas válidas obtidas, 46% dos respondentes mudou ou mudaria de emprego em função da modalidade de trabalho (presencial, híbrido ou remoto) e 35% talvez mudasse. É possível observar que a modalidade de trabalho é um atributo importante para considerar em um modelo de turnover. Para avaliação da abordagem proposta, serão utilizados dados reais de uma empresa de tecnologia ligada ao ecossistema de inovação para análise dos experimentos. Uma aplicação importante da proposta deste trabalho, que poderá ser desenvolvida em trabalhos futuros, é a construção de uma ferramenta integrada que engloba os modelos construídos, ou ainda a integração dos modelos construídos como módulos em ferramentas existentes para gestão de RH.
Abstract:
Market demands in innovation ecosystems are dynamic and complex, requiring employees and companies to a culture of constant development, on the part of employees of their skills and knowledge and of the company of its processes, products, and services. Among the known problems in the technology and innovation sector is the high turnover of employees in technology companies linked to innovation, resulting in challenges for team management and knowledge management. Models based on Machine Learning are presented in the literature to predict the risk of turnover, that is, an employee’s departure, which entails seeking new talent in the market. In addition to predicting the risk of losing employees, working on talent retention in such companies is also a possible way to deal with turnover. To better understand the state of the art in the context of this problem, we performed a Systematic Literature Review (SLR) to understand better how tools based on Artificial Intelligence are being used in Human Resources ecosystems. In our SLR, we focus on retaining talent in companies in the innovation ecosystem and better understanding the reasons for voluntary dismissal. We found that 76.92% of the works directly or indirectly present the reasons for migrating or retaining employees. In addition, in these same works, we observed that the authors present models built by machine learning algorithms using different input attributes linked to the reasons leading to a voluntary dismissal. Based on these findings, we propose an approach to deal with the turnover problem in technology companies linked to innovation using Artificial Intelligence technologies. More specifically, the proposed approach involves two tasks. The first involves predicting the risk of voluntary dismissal of an employee based on machine learning. We also noticed at SLR that the non-alignment between employees at risk of leaving the company and projects they deem interesting is one of the causes mentioned. Thus, the second task in the proposed approach involves the construction of a recommendation model to support the alignment of projects to collaborators, mainly those at risk of dismissal, using topic mining techniques, a sub-area of unsupervised machine learning. For the first task, that is, the construction of models for predicting the risk of voluntary dismissal, we carried out a survey using a questionnaire with an audience of active professionals in the Information Technology area, which objective was to understand whether remote work would be an attribute important for a turnover prediction model. We carried out this investigation due to (i) remote work being an increasingly present reality after the pandemic and (ii) no proposed model for predicting turnover considers remote work an attribute. As a preliminary result, of the 78 valid responses obtained, 46% of respondents changed or would change jobs depending on the type of work (face-to-face, hybrid or remote), and 35% might change. It is possible to observe that the type of work is an important attribute to consider in a turnover model. We will use real data from a technology company linked to the innovation ecosystem to evaluate the proposed approach, to analyze the experiments. An important application of this work’s proposal, possible to develop in future works, is the construction of an integrated tool that encompasses the built models or even the integration of models built as modules in existing tools for Human Resources management.
Banca examinadora:
Prof. José Viterbo Filho, UFF – Presidente
Profa. Flavia Cristina Bernardini, UFF
Profa. Luciana Cardoso de Castro Salgado, UFF
Prof. Daniel Cardoso Moraes de Oliveira, UFF
Prof. Cristiano Maciel, UFMT
Profa. Raissa dos Santos Barcellos, UERJ