Modelos de predição de desempenho

Definição operacional de "desempenho": o que é alto, médio, baixo?

Antes de prever, você precisa definir: o que é desempenho na sua empresa? A resposta não é óbvia.

Opção 1: Avaliação de gestor. Gestor dá nota (1–5, A–E, Exemplar–Abaixo). Simples, mas subjetivo — avaliação depende de gestor, não de desempenho real.

Opção 2: Resultados objetivos. Meta de vendas alcançada, orçamento de projeto on-time, qualidade de código (bugs por linha). Objetivo, mas incompleto — nem tudo é mensurável.

Opção 3: Multidimensional. Resultado (alcançou meta?) + Competência (demonstrou skills de nível esperado?) + Potencial (pronto para nível acima?) + Impacto (influenciou outros?). Mais completo, mas complexo de operacionalizar.

Recomendação: use multidimensional. Define alta performance como: atinge resultado esperado + demonstra 80%+ das competências de nível + tem potencial para nível seguinte. Médio: atinge resultado, demonstra 50–80% das competências. Baixo: não atinge resultado ou competências < 50%.

Variáveis que influenciam desempenho: o que coletar?

Performance histórica. Avaliação dos últimos 2–3 anos. Tendência é mais importante que valor único (crescimento melhora previsão que valor em ponto no tempo).

Competências. Nível de habilidades técnicas, liderança, colaboração. Se tem avaliação de competências, colete. Se não, use proxy (nível, tempo no cargo).

Mobilidade organizacional. Mudança de role, promoções, projetos especiais assumidos. Sinal de engajamento e ambição. Colaboradores estáticos em mesmo cargo por 5+ anos têm menor potencial que quem se move.

Feedback externo. Feedback 360 (de manager, pares, diretos), eNPS (você recomendaria este colaborador para equipe?), pesquisa de clima (sente-se envolvido, oportunidade de crescimento?). Feedback 360 é forte preditor de potencial.

Engajamento e retenção. Intenção de saída (pergunta direta ou proxy como eNPS baixo), tempo desde última negociação salarial (indicador de stagnação), participação em programas de desenvolvimento (indicador de engajamento).

Contexto de equipe. Desempenho da equipe onde trabalha, gestor imediato, área de negócio. Contexto importa — mesmo colaborador pode desempenhar diferente em team A vs. B.

Tempo no cargo e tenure. Profissionais novos têm curva de aprendizado (desempenho melhora primeiros 12 meses). Tenure longa sem movimento pode indicar baixo potencial ou alta retenção.

Métodos: de análise qualitativa a machine learning

Análise qualitativa estruturada. Método mais simples. Gestor e RH discutem: quem tem potencial? Critérios explícitos (competências esperadas, resultado, feedback, mobilidade). Resultado: lista de top 10% high potential. Precisão é 60–70%, mas requer discussão que às vezes é enviesada (preferência pessoal do gestor influencia).

Análise exploratória em BI. Dashboard mostra: performance vs. tenure, competências vs. resultado, engajamento vs. permanência. Você observa padrões (ex: "todo high performer tem competência técnica 4+"). Resultado: regras de negócio (ex: "performance 4+ + tenure 2+ anos = alto potencial"). Precisão é 70–80%, melhor que qualitativa porque menos enviesada.

Regressão linear ou logística. Modelo simples que estima performance como função linear de variáveis. Exemplo: Performance = 0.3 × [avaliação histórica] + 0.2 × [engagement] + 0.1 × [competências]. Pesos são determinados por dados históricos. Precisão é 75–85% em validação cruzada. Fácil interpretar: qual variável mais importa.

Machine learning (XGBoost, Random Forest). Modelos mais sofisticados que capuram relações não-lineares. Exemplo: efeito de engagement é maior para junior que para senior (relação não-linear). Modelo ML consegue capturar. Requer mais dados (mínimo 500–1000 registros históricos) e expertise em Data Science. Precisão é 80–90%, mas menos interpretável ("black box").

Deep learning / Neural networks. Quando você tem volume massive de dados (10k+ registros históricos) e variáveis muito complexas (text from feedback, imagens, etc.). Raramente aplicável em RH porque dados são limitados. Precisão pode ser 85–95%, mas overkill para maioria dos casos.

Recomendação: comece com exploração BI, avance para regressão simples quando dados estão sólidos, considere ML quando volume e expertise forem suficientes.

Acurácia e validação: como saber se modelo funciona?

Acurácia é a proporção de previsões corretas. Modelo que diz "70% vai ser alto performer" está correto em 70% dos casos? Não é tão simples. Há múltiplas métricas:

Precision. De todos que modelo prevê como alto performer, quantos realmente são? Importa para evitar falsos positivos (oferecer programa de leadership para quem não merece).

Recall. De todos os alta performers reais, quantos modelo identifica? Importa para evitar falsos negativos (deixar passar talento crítico).

Validação cruzada. Treinar modelo em 80% dos dados, testar em 20% held-out. Repete 5–10 vezes. Se acurácia é consistente, modelo é robusto. Se cai muito em test set, há overfitting (modelo decorou dados de treinamento, não aprendeu padrão).

Comparação com benchmark. Modelo sempre prevê 50% como alto performer? Comparar com baseline (predição aleatória teria acurácia 50% se classe é balanceada). Modelo precisa bater baseline substancialmente.

Comparação com intuição de gestores. Pergunte a 10 gestores: quem você acha que é top 10% talent? Agrupe respostas. Compare com previsão de modelo. Se modelo discorda muito, investigate: é viés de gestores ou informação que gestores têm e dados não capturam?

Acurácia 70–75% é bom. 80%+ é excelente. >90% é suspeito (pode ser overfitting).

Viés algorítmico: como evitar discriminação

Modelos de desempenho podem estar enviesados sem você perceber. Exemplo: se dados históricos têm maior proporção de homens em posições sênior, modelo pode aprender padrão enviesado e sistematicamente subestimar mulheres.

Viés de gênero. Modelo treinado em dados com mais homens em liderança pode recomendar homens para desenvolvimento. Solução: auditar modelo, verificar se acurácia é igual para gêneros, se necessário retratar com dados balanceados ou adicionar pesos de fairness.

Viés de idade. Modelo pode favorecer profissionais mais jovens (maior mobilidade, aprendizado rápido). Solução: similar — auditar acurácia por faixa etária, balancear dados, adicionar constraints de fairness.

Viés de contexto (área, gestor, região). Avaliação de gestor X é 0.5 pontos mais alta que gestor Y (viés de lenência). Se não corrigir, modelo aprende viés. Solução: normalizar avaliações entre gestores antes de modelar.

Mitigação: auditorias de fairness. Depois de modelo treinado, verifique: acurácia é igual para todos os grupos demográficos? Taxa de recomendação para programa de liderança é igual para gêneros/idades? Se não, investigar e ajustar. Ferramentas como Fairness indicators (Google) ajudam a automatizar auditorias.

Ética aqui é crítica. Predição deve servir para desenvolver, não para discriminar. Use para: "este colaborador tem potencial que não está sendo aproveitado" (ação: desenvolvimento). Não use para: "este colaborador é homem, então merece mais investment" (discriminação).