| Summary: | Automatizar e melhorar a gestão e o desempenho profissional dos trabalhadores é um grande desafio enfrentado por várias empresas, sobretudo as que possuem um elevado número de funcionários. Portanto, as ferramentas de previsão de desempenho podem fornecer mecanismos especialmente importantes para o planejamento e gestão de recursos humanos das instituições intensamente dependentes do trabalho dos seus colaboradores. Esta tese foca o uso de tecnologias de aprendizado de máquina integradas num pipeline dinâmico que contempla a manipulação e seleção dos dados de entrada e as parametrizações dos algoritmos utilizados para otimizar a previsão do desempenho dos trabalhadores no serviço de teleatendimento. O trabalho de previsão de desempenho, definido neste trabalho pelo absenteísmo e produtividade, foi desenvolvido para uma população-alvo pertencente a uma grande empresa de prestação de serviços de teleatendimento brasileira. As variáveis foram extraídas do perfil dos agentes de teleatendimento e, em seguida, filtradas por processos de correlação e seleção de variáveis. Mais precisamente, neste trabalho, foram extraídas características pessoais, sociais e profissionais de teleatendentes para prever o desempenho de uma população de, aproximadamente, 10,5 mil funcionários. Foram testados alguns modelos de previsão, para os quais um conjunto vasto de variáveis de entrada foram dinamicamente selecionadas e submetidas, permitindo assim comparar o desempenho obtido pelos vários algoritmos de aprendizado máquina utilizados (cf. LR - Logistic Regression, LSTM - Long Short Term Memory, MLP - Multilayer Perceptron, NB - Naive Bayes, RF - Random Forest, SVM - Suport Vector Machine e XGBoost - Extreme Gradient Boosting). A hiper-parametrização destes modelos de aprendizado de máquina também foi considerada na comparação dos algoritmos mais adequados para o problema de previsão. As hiperparametrizações, assim como a seleção de variáveis, foram ajustadas através do uso de um algoritmo evolutivo, permitindo melhorar os resultados de previsão que globalmente foram bastante promissores. O conjunto das técnicas aplicadas no trabalho permitiu melhorar o entendimento sobre o problema da previsão de desempenho da empresa. Foi, assim, possível desenvolver um estudo intensivo de aplicação dos vários algoritmos de aprendizado máquina à previsão de desempenho. Este estudo foi suportado por mecanismos dinâmicos de seleção de variáveis de entrada mais significativas, bem como de técnicas de hiper-parametrização dos algoritmos, que melhor resultados de previsão produziam, de modo a selecionar os algoritmos de aprendizagem máquina mais adequados para o efeito.
|
|---|