Machine learning na gestão de pessoas

O termo Machine learning nasce como um subcampo da Engenharia e das ciências da computação que evoluiu do estudo de reconhecimento de padrões. Machine learning não é mais do que algoritmos com bases estatísticas que melhoram a capacidade de previsão, em função da informação inserida ao longo de um período de tempo.

Vejamos um exemplo na gestão de pessoas: a previsão de turnover. Suponhamos que temos os seguintes dados disponíveis por colaborador: 1) assiduidade, 2) resultados da avaliação de desempenho e 3) resposta ao questionário anual de clima. Esta informação permite prever a probabilidade de turnover daquele colaborador – com maior ou menor margem de erro. E é aqui que entra o “learning” de Machine learning. Em função da quantidade e qualidade da informação inserida ao longo do tempo, o algoritmo melhorará as previsões.

A previsão pode ser iniciada através da elaboração de modelos simples de regressão e depois avançar para modelos de Machine learning em ferramentas próprias (power bi, qlik, entre outros). As ferramentas são extremamente intuitivas e a este nível já estarão disponíveis algoritmos construídos que podem ser experimentados, tais como Random Forest, KNN, K-means etc. Deve ser utilizado o algoritmo indicado para o tipo de informação que se tem disponível, com vista a maximizar o poder de previsão. Os algoritmos assemelham-se a produtos – por vezes é feito a release ao público de um novo algoritmo com, por exemplo, um aumento de 2% da capacidade de previsão.

O Machine learning requer conhecimentos de bases estatísticas e esta competência é escassa na área da gestão de pessoas. As áreas financeiras e de marketing, por sua vez, encontram-se bastante avançadas nestas matérias, com variados estudos de padrões de consumidores e previsões financeiras. Historicamente, a área de gestão de pessoas não reportava tantos “números” quanto as restantes áreas. No entanto, esta necessidade tem-se revelado crescente, com o aumento da complexidade da área de gestão de pessoas.

O maior erro é vermos a estatística como algo esotérico.