Aplicação de técnicas de data mining na caracterização de turnover interno para o suporte à gestão de pessoas

Abstract

Esta dissertação encontra-se no campo da Mineração de Dados e suas aplicações em bases de dados de Gestão de Pessoas, na hipótese de que tais técnicas podem ser agregadas a um modelo multidimensional que leve à descoberta de fenômenos e ao entendimento dos dados relativos à rotatividade interna de pessoal e seus impactos. Foram utilizadas as abordagens de modelagem descritiva e preditiva, a fim de descobrir informações ocultas no histórico de transferências dos empregados entre as unidades de uma organização. Entre as técnicas descritivas, foram aplicados métodos de agrupamento e regras de associação, para descrever os dados. Para as análises preditivas, foi utilizada a técnica de Árvores de Decisão, um método de indução que mostra graficamente o processo de classificação. Para validar a hipótese de que tais proposições levam à descoberta de conhecimento acerca de rotatividade de pessoas, foi desenvolvido um módulo de suporte à decisão no domínio do problema, aplicando as técnicas de Mineração de Dados propostas, além da criação de um novo tipo de dimensão voltada para a descoberta de conhecimento. Para validar as contribuições e atingir o objetivo proposto neste trabalho, foram utilizados, como estudo de caso, dados oriundos de uma instituição financeira de grande porte e com um longo histórico de rotatividade de pessoas. Os resultados obtidos são apresentados e discutidos. _______________________________________________________________________________________ ABSTRACT

This dissertation is in the field of Data Mining and its applications in databases of Personnel Management, considering the assumption that such technique can be aggregated to a multidimensional model that leads to the discovery of phenomena and the understanding of data relating to internal employee turnover and its impacts. Descriptive and predictive modeling approaches were used in order to discover hidden information on the history of transfers of employees between departments of an organization. Among the descriptive techniques, cluster analysis and association rules have been applied to describe the data. For predictive analysis, the technique of Decision Trees was used, comprising a method of induction that graphically shows the classification process. For validating the hypothesis that such proposals lead to the knowledge discovery about employee turnover, a decision support module was developed in the problem domain, applying the proposed techniques of Data Mining. This decision support module introduces a new type of dimension focused on knowledge discovery. For validating the contributions and evaluating the achievements of this work, a case study was performed using data from a large financial institution with a long history of employee turnover. The results are presented and discussed.