Recomendação de carreira e desenvolvimento com machine learning

Como funciona: dados, padrões e recomendação

Machine learning de recomendação de carreira opera em três etapas. Primeira é coleta de dados históricos: histórico de cada pessoa — função inicial, promotores subsequentes, skills adquiridas, educação, feedback, performance, tempo em cada posição, razão de movimentação (promoção, transferência lateral, saída). Se empresa tem 500 pessoas e histórico de 10 anos, são 5000 registros de movimentação que alimentam modelo.

Segunda etapa é identificação de padrões: o algoritmo procura correlações. Exemplos de padrões que modelo pode encontrar: "pessoas que progridem de analista para sênior passaram 3-4 anos em primeira posição e tiveram avaliação =4/5 em liderança"; "pessoas que fazem transição de RH para Operações completaram treinamento de lean antes"; "taxa de sucesso de promoção (permanecer 2+ anos em posição sem saída) é 85% quando pessoa teve mentor, 60% sem mentor".

Terceira etapa é recomendação: quando colaborador novo entra (ou você analisa colaborador existente), modelo o compara com pessoas similares no histórico e sugere. Exemplo: "João é analista junior, 2 anos de experiência, avaliação 4/5, interesse em liderança. Pessoas com seu perfil que progridem para senioridade fazem isto: completam programa de liderança (80% fazem), trabalham em projeto cross-funcional (70%), têm mentor designado (65%). Tempo médio para promoção é 3.5 anos".

Precisão de recomendação depende de: volume de dados históricos (modelos treinados em 10 anos de histórico são melhores que 2 anos), qualidade de dados (se histórico de habilidades é inconsistente, modelo sofre), e diversidade de carreiras (empresa com apenas uma rota de carreira produz recomendações limited).

Tipos de algoritmo: collaborative filtering vs. content-based vs. híbrido

Três abordagens principais de machine learning de recomendação — cada uma tem força e limitação.

Collaborative filtering: "pessoas como você fizeram X". Algoritmo encontra pessoas similares a você no histórico (similares em skills, performance, educação, seniority) e observa qual foi transição delas. Se 100 pessoas similares a você fizeram promoção para sênior após 3 anos, sugerir para você. Vantagem: simples, não precisa entender causalidade. Desvantagem: depende de volume (precisa de muitas pessoas similares) e pode reproduzir viés (se histórico reflete que mulheres não progridem para liderança, modelo vai recomendar menos desenvolvimento de liderança para mulheres).

Content-based: "você tem skills para Y". Algoritmo identifica skills necessários para cada posição/progressão e recomenda baseado em seus skills. Exemplo: "posição sênior em engenharia requer skills: arquitetura de sistemas, liderança técnica, mentorada. Você tem arquitetura e mentorada; faltam liderança técnica. Recomendação: curso de tech leadership". Vantagem: transparent, não depende só de histórico. Desvantagem: requer definição clara de skills por posição (que pode ser desatualizada ou incompleta).

Híbrido: combinação. Exemplo: collaborative filtering identifica "pessoas como você progridem para sênior"; content-based valida "você tem 70% dos skills esperados"; recomendação combina: "sim, é possível, aqui estão os skills em que focar". Mais robusto que qualquer um sozinho.

Recomendação: comece com content-based (simples, não reproduz viés tanto) e evolua para híbrido quando tiver dados mais robust.

Integração com desenvolvimento: de recomendação a ação

Recomendação apenas é útil se leva a ação. Fluxo ideal: recomendação ? planejamento ? desenvolvimento ? acompanhamento.

Após sugestão de algoritmo, colaborador (com apoio de gestor) cria plano de desenvolvimento concreto. Exemplo: "modelo recomenda: foco em liderança técnica. Plano: (1) completar course de tech leadership (3 meses); (2) liderar projeto cross-funcional (6 meses); (3) mentoria com tech leader senior (contínuo)". Cronograma é definido, e ritmo de acompanhamento é estabelecido.

Integração com plataforma de aprendizagem: quando colaborador tem recomendação de skill development, cursos correlatos aparecem em portal de learning (LinkedIn Learning, Degreed). Isso reduz fricção — tudo em um lugar.

Feedback loop: ao longo de tempo, modelo observa: pessoa seguiu recomendação X? Quanto tempo levou? Foi bem-sucedida na transição? Com esse feedback, modelo se refina. Se descobre que "colaboradores que completam mentoria têm 30% mais sucesso", essa informação influencia futuras recomendações.

Importante: recomendação não é imposição. É sugestão aumentada por dados. Pessoa tem direito de discordar, de querer trajetória diferente. ML identifica padrão, mas carreira é pessoal e contexto local (ex: oportunidade real de vagas) é crítico.

Risco: reprodução de viés em histórico

Risco crítico de machine learning de carreira é reproduzir viés que existe em histórico. Exemplo: se historicamente mulheres na empresa promovedas menos para liderança, modelo vai aprender esse padrão e recomendar menos desenvolvimento de liderança para mulheres — mesmo que seja injusto.

Ilustração: empresa tem 100 engenheiros (80 homens, 20 mulheres). Em 10 anos, 60 homens promoveram para senioridade (75%), 8 mulheres promoveram (40%). Modelo identifica padrão: "sexo masculino correlaciona com progressão". Quando nova mulher engenheira entra, modelo recomenda menos agressivamente desenvolvimento de liderança porque "pessoas como você (mulher) historicamente progridem menos".

Solução: (1) transparência — saber que viés pode estar embutido; (2) auditoria de viés — verificar regularmente se recomendações são diferentes por gênero, etnia, etc.; (3) correção — se identifica viés, ajustar modelo ou dados históricos; (4) human-in-the-loop — gestor revisa recomendação antes de comunicar a colaborador, pode questionar se faz sentido ou ajustar.

Não há solução perfeita. Mas awareness e monitoramento contínuo reduzem risco significativamente.