Turnover em obras de montagem eletromecânica: aplicação de Machine Learning na gestão de pessoas

Este estudo investigou os fatores que influenciam a substituição de colaboradores em obras de montagem eletromecânica, com foco na aplicação de técnicas estatísticas e de aprendizado de máquina para apoiar a gestão de pessoas. A pesquisa utilizou uma base de 7.333 registros de desligamentos ocorridos entre janeiro de 2023 e julho de 2025 em uma empresa brasileira do setor, contemplando variáveis individuais, organizacionais e relacionadas à jornada de trabalho. Após o pré-processamento e a análise exploratória dos dados, foram aplicados três modelos de classificação: regressão logística binária (com seleção stepwise), árvore de decisão e Random Forest (com calibração por grid search). Os resultados mostraram que fatores como percentual de abonos, tempo de casa, tipo de obra e estado de residência apresentaram maior relevância para a reposição de vagas. O modelo de Random Forest apresentou o melhor desempenho preditivo, alcançando AUC-ROC de 0,878 e coeficiente de Gini de 0,756, enquanto a regressão logística destacou-se pela interpretabilidade dos coeficientes. Conclui-se que a integração de métodos estatísticos e de machine learning contribui para antecipar cenários de rotatividade, subsidiando estratégias de retenção e alocação mais eficientes na gestão de recursos humanos em projetos industriais.