Como este tema funciona na sua empresa
Em empresas pequenas, cada saída é visceral — uma pessoa que sai é 5% da força de trabalho. IA formal é overkill, mas disciplina simples funciona: RH conversa regularmente com cada pessoa (1:1 mensal), pergunta "como está?", observa mudanças (menos entusiasmo, questões sobre salário, busca de oportunidades). Documentar essas observações simples (planilha: nome, data, observação, risco?) cria "modelo mental" de quem está em risco. Quando alguém sai, analisar retrospectivamente: "Virmos que ele perguntava sobre salário há 2 meses" (learning). Valor: retenção proativa sem investimento tecnológico.
Empresas médias podem implementar modelo simples de detecção: coletar dados estruturados (performance, ausência, pesquisa de engajamento, absenteísmo), combinar em score simples de risco (p.ex., se performance caiu + eNPS baixo + absenteísmo subiu = risco alto). Ferramentas como Peakon ou Lattice oferecem "risk score" como feature. Resultado: identificar top 5-10% em risco, conversa proativa com gestor ("Diego pode estar em risco, considere conversar sobre carreira"), implementar retenção. Efetividade: reduz turnover voluntário em 15-25%.
Grandes organizações desenvolvem modelos sofisticados: múltiplos sinais (HR data, comportamento — email patterns, acesso a sistemas, participação em reuniões —, market data — qual % de peers está deixando?, competitor hiring data), combinados em modelo de ML. Resultado: previsão de alta acurácia (80-85%) de quem vai sair nos próximos 3-6 meses. Ação: intervenção automática por motivo previsto (performance caindo ? cuidado de gestor; salário low ? revisão; opportunity ? promoção). Impacto: reduz turnover voluntário em 20-30%, economiza custo de reposição.
Detecção de risco de turnover com IA é a prática de usar modelos de machine learning para identificar colaboradores com alta probabilidade de deixar a empresa nos próximos 3-6 meses. O modelo treina em histórico de quem saiu (quais características tinha?), identifica padrões (performance em declínio, feedback 360 deteriorado, absenteísmo crescente), e estima risco para pessoa atual. Pesquisa de Kellogg Institute mostra que intervenção proativa baseada em previsão de turnover reduz saída voluntária em até 30% e economiza 1.5-2.5x o custo de reposição[1]. Ética é crítica: previsão não deve ser discriminatória nem auto-cumprida (investir menos em quem "vai sair").
Sinais preditivos de turnover
Performance em declínio: Collaborador que era high performer e performance caiu 20%+ em períodos recentes. Correlação com saída: forte. Interpretar: pode ser que estava já pensando em sair (desengajamento) ou razão externa (problema pessoal). Requer conversa — não assumir que baixa performance = sair iminente.
Feedback 360 deteriorado: Pesquisa anual de feedback mostra que satisfação/NPS de pessoa caiu comparado a ano anterior. Correlação com saída: forte. Interpretar: pessoa está descontente com algo (gestão, cultura, opportunity).
Absenteísmo crescente: Dias ausentes (licença, falta) aumentaram 50%+ nos últimos 3 meses. Correlação com saída: moderada (pode ser problema pessoal, pode ser desengajamento). Requer contexto.
Padrão de comunicação mudado: (Para grandes organizações com acesso a email metadata) Pessoa deixou de participar de meetings, respostas a email mais lentas, colaboração com colegas reduzida. Correlação: moderada. Requer cuidado com privacidade (monitorar comportamento é intrusive).
Salário abaixo de mercado: Dados de mercado mostram que pessoa está sendo underpaid comparado a peers externos (p.ex., 30% abaixo). Correlação com saída: forte. Interpretar: risco é que saia para concorrente com salário melhor.
Falta de oportunidade interna: Pessoa está no mesmo role há 3+ anos, não há promoção visível, desenvolvimento é mínimo. Correlação com saída: moderada. Interpretar: pode estar procurando crescimento externo.
Market data — competitor hiring: (Para grandes organizações) Insights de mercado mostram que competitor em mesmo segmento está contratando agressivamente (sinalizando crescimento/oportunidade). Correlação com saída: muito fraca (pessoa não necessariamente vai, mas oportunidade existe).
Focue em sinais simples: performance caindo, feedback de gestor negativo, conversa sobre salário. Não precisa de IA — observação humana funciona. Documento em planilha (nome, sinais, ação tomada). Review mensal.
Coletar dados estruturados: performance score (sistema de avaliação), eNPS/engagement score, absenteísmo, duração no role. Combinar em score simples de risco (p.ex., se 2+ sinais estão degradando = risco). Validar com gestor direto antes de agir (modelo não é infalível).
Desenvolver modelo de ML: dados históricos de quem saiu (features: performance trend, feedback scores, absenteísmo, tenure, salary vs. market, department, level). Treinar em 2-3 anos de dados. Validar contra holdout set (modelo consegue prever quem saiu em período recente?). Deploy em dashboards com score de risco. Ação automática por motivo previsto (score alto + performance baixo = gestor notificado para cuidado).
Construindo modelo preditivo de turnover
Dados necessários: Registro de quem saiu (data de saída, motivo se documentado), dados históricos de performance (ratings, feedback 360, goals achieved), dados operacionais (absenteísmo, horas trabalhadas, promociones), dados demográficos (nivel, departamento, tenure, idade — com cuidado com viés). Ideal: 2-3 anos de histórico.
Preparação de dados: Limpeza (valores faltantes, outliers), normalização (comparar performance ratings que podem ter escalas diferentes). Criar variáveis derivadas (trends: performance está subindo ou descendo?, salary vs. market percentile, dias desde última promoção). Resultado: dataset estruturado pronto para ML.
Escolha de modelo: Classificador binário: pessoa vai sair nos próximos 6 meses (sim/não). Modelos comuns: logistic regression (interpretável, linear), random forest (acurado, menos interpretável), gradient boosting (muito acurado, menos interpretável). Começar com logistic regression (interpretável) — se acurácia é suficiente, use. Se precisa ser mais acurado, evoluir para random forest.
Validação: Teste retrospectivo: treinar modelo em dados até mês 12, testar em mês 13-18. Modelo consegue prever corretamente quem saiu? Validar contra baseline (taxa de turnover histórica — modelo melhor do que adivinhar?). Meta: 70-80% de acurácia típica (melhor que 50% baseline se taxa é 50%).
Interpretabilidade: Qual % de risco previsto vem de cada fator? (p.ex., 40% vem de performance em declínio, 30% vem de salário baixo, 20% de pouca promoção). Importante para conversa com gestor ("Diego tem alto risco porque performance caiu e salário é 20% abaixo de mercado").
Intervenção baseada em risco previsto
Conversa com gestor: RH notifica: "Bob tem 75% de risco de sair nos próximos 6 meses. Motivos principais: performance caiu, salário baixo. Recomendação: conversa 1:1, entender o que está happening, oferecer ajuda (mentor, projeto interessante, revisão salarial)." Conversa é autêntica, não "queremos retê-lo porque modelo disse".
Tipos de intervenção por motivo previsto: Se performance caindo ? cuidado de gestor (conversa sobre blockers, suporte), possível mentor. Se salário baixo ? revisão salarial, benchmark market. Se pouca oportunidade ? projeto desafiador, carreira track, mentorship. Se feedback 360 negativo ? feedback coaching, melhora de relações. Cada motivo tem ação específica.
Tracking de efetividade: Pessoa que recebeu intervenção saiu ou ficou? Se ficou, houve impacto (p.ex., performance melhorou, salário ajustado, projeto novo)? Dados de efetividade de intervenção retroalimentam modelo (learning: qual tipo de intervenção funciona melhor?).
Privacidade, ética e conformidade LGPD
Transparência: Colaboradores têm direito de saber que análise preditiva está ocorrendo. Comunicação: "Usamos IA para identificar pessoas em risco e oferecer suporte" (não "monitoramos quem pode sair"). LGPD exige transparência (art. 6, 8, 9).
Viés de dados históricos: Se histórico de saída tem viés (p.ex., mulheres saem mais porque falta suporte materno), modelo pode aprender viés como feature. Risco: (a) discriminação (mulheres identificadas como alto risco não por motivo real), (b) auto-realização (empresa investe menos em mulheres identificadas como alto risco). Mitigação: auditar modelo por grupo protegido (mulher vs. homem, idade, raça). Se viés detectado, corrigir (remover feature, usar fairness constraints, ou investigar raiz — se mulheres realmente saem mais por falta de suporte, investir em suporte, não em discriminação).
Direito ao recurso: Se pessoa é identificada como alto risco e recebe ação (p.ex., não é promovida porque "risco"), tem direito de questionar. Processo claro: "Como cheguei a esse score? Que dados foram usados? Posso contestar?" LGPD exige isso (art. 9).
Confidencialidade: Dados de turnover são sensíveis. Não compartilhar resultado com gestores que possam discriminar (p.ex., "Diego tem alto risco, vou investir menos nele"). Score deve ser confidencial, ação deve ser de support, não de rejeição.
Sinais de que detecção de turnover com IA seria útil
Turnover voluntário é alto (>15%) e você não sabe por quê
IA pode identificar padrões que não são óbvios (p.ex., é específico de department ou level? É performance-related ou compensation-related?).
Você perde high performers de forma inesperada
IA pode sinalizar early warning (antes de pessoa pedir demissão, há sinais de desengajamento).
Custo de turnover é significativo (>R$500k/ano em reposição)
Investir em detecção e retenção tem ROI claro (economizar 20% de turnover = economia significativa).
Você tem dados estruturados (sistema de gestão de performance, pesquisa de engajamento)
IA precisa de dados. Se você não coleta dados estruturados, não há padrão para IA aprender.
RH quer ser proativo, não reativo
Modelo preditivo permite ação preventiva (intervir antes de sair) vs. reagir pós-saída.
Caminhos de desenvolvimento
Caminho interno: começar com detecção manual
Mês 1: RH define "sinais de risco" simples (performance caindo, feedback negativo, absenteísmo). Conversa regular com gestores: "Quem você acha que está em risco de sair?"
Mês 2-3: Documentar observações em planilha. Quando alguém sai, analisar retrospectivamente: "Virmos quais sinais antes?" (learning).
Mês 4+: Implementar ação de retenção para pessoas identificadas (conversa, oportunidade, revisão salarial). Rastrear efetividade (ficaram ou saíram? O que funcionou?).
Caminho externo: usar ferramenta ou consultoria
Opção 1: Plataforma com previsão de turnover integrada (Peakon, Lattice, Visier). Setup: 2-4 semanas. Feature: risk score automático por pessoa.
Opção 2: Consultoria de data science treina modelo customizado. Setup: 2-3 meses. Modelo é específico para sua organização.
Opção 3: Combinação: usar ferramenta standard + consultoria para interpretação e ação.
Detectar e reter talentos em risco
Turnover é caro — cada saída de pessoa valiosa custa 1.5-2.5x o salário em reposição e perda de conhecimento. IA oferece oportunidade de detecção precoce: identificar sinais de desengajamento antes que pessoa saia, intervir proativamente (conversa, oportunidade, revisão salarial), reduzir saída voluntária. O caminho é começar simples (observação manual, conversa regular com gestores), evoluir para análise estruturada (score de risco baseado em dados), e finalmente modelo preditivo se volume justifica. Para empresas com turnover voluntário alto ou custo significativo de reposição, investimento em detecção e retenção tem ROI claro.
Encontrar fornecedores de RH no oHub
Ética é crítica. Detecção de turnover é valor se usada para suportar pessoa em risco. Pode ser discriminatória se usada para investir menos em quem "vai sair". Transparência e conformidade LGPD são não-negociáveis.
Perguntas frequentes
Como prever quem vai sair da empresa com IA?
Modelo aprende de histórico: quem saiu no passado? Qual era o perfil (performance, engajamento, feedback)? IA identifica padrões (p.ex., pessoa com performance em declínio tem 60% chance de sair). Estima risco para pessoa atual. Acurácia típica: 70-85% (melhor que adivinhar). Requer: dados históricos de 2+ anos, variáveis estruturadas (performance ratings, engajamento scores, absenteísmo).
Qual é a acurácia de modelos preditivos de turnover?
Tipicamente: 70-85% para dados estruturados de boa qualidade. Melhor de 50% de baseline (se taxa de turnover é 50%) ou taxa histórica da empresa. Modelo simples (logistic regression): ~70% de acurácia. Modelo sofisticado (random forest, gradient boosting): 80-85%. Varia com dados, tamanho de empresa, período testado. Validação rigorosa (teste em dados holdout) é crítica.
Quais dados indicam risco de sair?
Performance em declínio (20%+ queda vs. trimestres anteriores). Feedback 360 deteriorado (satisfação caindo). Absenteísmo crescente (dias ausentes aumentando). Salário abaixo de mercado (30%+ abaixo de peers). Pouca oportunidade de carreira (mesmo role por 3+ anos, sem promoção visível). Padrão de comunicação mudado (menos participação em meetings, colaboração reduzida). Forte: primeira categoria. Moderada: intermediárias. Fraca: dados de mercado externo.
Como usar análise de turnover para reter talentos?
Identificar risco ? conversa com gestor direto ? oferecer intervenção. Tipo de intervenção depende de motivo: se performance caindo, mentor + cuidado; se salário baixo, revisão salarial; se pouca oportunidade, projeto desafiador + carreira track. Rastrear efetividade: pessoa ficou ou saiu? O que funcionou? Dados de sucesso alimentam melhor estratégia de retenção.
Como avisar colaborador que está em risco de sair?
Não avisar "você tem 75% de risco de sair baseado em IA" (intrusivo e errado). Avisar indiretamente: gestor conversa "como você está? O que poderia melhorar?" ou RH oferece desenvolvimento "temos oportunidade de projeto que poderia ser interessante para você". Conversa é autêntica (não baseada em modelo preditivo, mas em suporte genuíno). Se pessoa questiona "vocês estão monitorando mim?", comunicação clara: "Olhamos para trends de engajamento para oferecer suporte proativo. Nada mais."
Qual é o impacto de IA de retenção em clima corporativo?
Impacto positivo se transparência existe ("usamos IA para identificar pessoas que precisam suporte") e ação é genuína de retenção. Impacto negativo se percepção é de monitoramento ("você está sendo vigiado") ou ação é de rejeição ("identificamos que você vai sair, então não investindo em você"). LGPD exige transparência. Cultura precisa de confiança. Implementação deve estar conectada a mensagem: "Queremos cuidar de você quando sinais indicam risco".
Como detectar viés em modelo de previsão de turnover?
Auditar score de risco por grupo protegido: mulheres vs. homens, faixa etária, raça/etnia (se dados disponíveis). Se mulheres têm score 20%+ mais alto que homens com perfil idêntico, há viés. Causa pode ser dados históricos enviesados (mulheres realmente saem mais, mas por razão injusta como falta de suporte materno). Solução: (1) corrigir dados (investir em suporte materno), não perpetuar viés, ou (2) usar fairness constraints no modelo (garantir parity entre grupos). Auditoria contínua é obrigatória por LGPD.
Referências
- Kellogg, K., et al. (2020). "Algorithms at Work: The New Contested Terrain of Control." Academy of Management Annals, 14(1), 366-410.
- Gartner. "Predictive Analytics for Employee Churn: Use Cases and Implementation." 2024.
- Peoplekeep. "The High Cost of Turnover: When Talent Leaves." Study on costs of employee replacement.
- Society for Industrial and Organizational Psychology (SIOP). "Research on Employee Retention." Available at: https://www.siop.org/
- Lattice. "Employee Analytics and Predictive Churn." Case studies on churn prediction.
- Visier. "People Analytics for Talent Retention." White papers and research.
- Government of Brazil. "Lei nº 13.709 (LGPD) - Lei Geral de Proteção de Dados Pessoais." 2018. https://www.planalto.gov.br/
- Bolukbasi, T., et al. (2016). "Man is to Computer Programmer as Woman is to Homemaker? Debiasing Word Embeddings." arXiv:1607.06520.