← Back to list

Como utilizei Excel e Estatística para diagnosticar a causa raiz do Turnover (Metodologia CRISP-DM)

Um estudo de caso de People Analytics focado em identificar o perfil de risco de evasão de funcionários.

Adilson Junior · 2025-12-06 16:31 · 0 claps · 3.5 min read
#turnover #análise-de-dados #people-analytics #pareto #information-value
Open on Medium ↗
Wiki topics: CLI · Clinical Medicine GRW · Growth & Analytics

Como utilizei Excel e Estatística para diagnosticar a causa raiz do Turnover (Metodologia CRISP-DM)

Um estudo de caso de People Analytics focado em identificar o perfil de risco de evasão de funcionários.

Por Adilson Junior

Perder talentos custa caro. Custos de rescisão, nova contratação, treinamento e a perda de conhecimento tácito podem sangrar o caixa de uma empresa.

Neste projeto de People Analytics, meu objetivo não foi apenas calcular a taxa de turnover, mas responder à pergunta de um milhão de reais: “Quem estamos perdendo e por quê?”.

Para garantir uma análise estruturada e replicável, apliquei a metodologia CRISP-DM, o padrão global para projetos de dados. Abaixo, detalho cada etapa do processo.

1. Entendimento do Negócio

A empresa enfrentava uma perda de talentos sem causa aparente. O objetivo era diagnosticar os fatores motivadores para propor um plano de retenção baseado em dados, e não em “achismos”.

  • KPI Principal: Taxa de Turnover (Baseline identificado: 16%).
  • Meta: Identificar os grupos onde essa taxa é estatisticamente superior à média.

2. Entendimento dos Dados

Utilizei o Excel para realizar uma Análise Exploratória (EDA) em uma base de dados de RH contendo variáveis demográficas (Idade, Gênero), financeiras (Salário, Ações) e comportamentais (Satisfação, Hora Extra).

Utilizei Box Plots, Histogramas e Pareto para entender a distribuição da força de trabalho:

Perfil Demográfico: A concentração de funcionários jovens (Mediana 36 anos) e em início de carreira (0–9 anos) define a cultura da empresa.

Perfil Demográfico: A concentração de funcionários jovens (Mediana 36 anos) e em início de carreira (0–9 anos) define a cultura da empresa.

Estrutura de Incentivos: A concentração salarial na base aliada ao fato de 43% dos colaboradores não possuírem Ações cria uma vulnerabilidade crítica na retenção.

Estrutura de Incentivos: A concentração salarial na base aliada ao fato de 43% dos colaboradores não possuírem Ações cria uma vulnerabilidade crítica na retenção.

  • Perfil Jovem: 85% dos funcionários têm até 47 anos.
  • Salários: Alta concentração na faixa inicial (até R$ 5.008,00), com outliers ganhando acima de R$ 16k.
  • Geografia: 70% moram num raio de 10km do trabalho (derrubando a hipótese de que “distância causa demissão”).

3. Modelagem e Avaliação

Para sair da “análise visual” e ir para a “certeza estatística”, calculei o IV (Information Value). Essa técnica mede a força de associação entre cada variável e a decisão de sair da empresa.

O ranking do IV separou o sinal do ruído:

Os Grandes Ofensores (IV > 0,30):

  1. Hora Extra (0,40): O maior preditor de saída. 54% dos demitidos faziam horas extras frequentes.
  2. Salário (0,36): Forte correlação negativa. Quem ganha menos, sai mais.
  3. Ações (0,32): Insight poderoso. 65% dos que saíram não tinham ações da empresa. O sentimento de “dono” é um fator crucial de retenção.

O que não importa (Mitos Quebrados): Diferente do senso comum, Gênero (0,01), Distância (0,08) e Formação (0,02) mostraram-se irrelevantes. O problema não é quem a pessoa é ou onde mora, mas como ela é tratada.

Mito da Distância: O gráfico confirma que a localização geográfica (70% moram perto) não influencia a decisão de saída, corroborando o baixo IV (0,08).

Mito da Distância: O gráfico confirma que a localização geográfica (70% moram perto) não influencia a decisão de saída, corroborando o baixo IV (0,08).

4. A Conclusão: O Perfil de Risco

Cruzando as variáveis críticas, cheguei a um diagnóstico claro. O turnover não é aleatório; ele tem um rosto.

A Persona de Risco: “O Júnior Sobrecarregado” A empresa está perdendo talentos em fase inicial/média de carreira (0–4 anos de casa), com salários iniciais (< R$ 3k) e sem incentivos de longo prazo (ações). O fator determinante é a Sobrecarga: eles realizam horas extras com frequência, trabalhando mais do que a média, mas sem perceber recompensa financeira ou perspectiva de crescimento (ações) na mesma proporção.

O Fator de Burnout: O gráfico mostra que apenas 28% da força de trabalho realiza horas extras frequentes. No entanto, o cruzamento de dados revelou que este pequeno grupo é responsável por 54% de todo o turnover, confirmando que a sobrecarga é o maior gatilho de saída.

O Fator de Burnout: O gráfico mostra que apenas 28% da força de trabalho realiza horas extras frequentes. No entanto, o cruzamento de dados revelou que este pequeno grupo é responsável por 54% de todo o turnover, confirmando que a sobrecarga é o maior gatilho de saída.

5. Plano de Ação Recomendado

Com base no diagnóstico, propus 4 pilares de intervenção para o RH:

  1. Política Salarial Competitiva: Revisão imediata das faixas salariais abaixo de R$ 3.000, onde a sangria é maior.
  2. Combate ao Burnout: Auditoria de horas extras. Se o Júnior precisa fazer HE constante, há falha de processo ou subdimensionamento de equipe. A HE não deve ser usada como complemento de renda, pois gera exaustão.
  3. Retenção via “Pertencimento”: Democratizar o acesso a Ações para funcionários de alta performance logo nos primeiros anos, aumentando o custo de saída do colaborador.
  4. Trilha de Carreira: Criar marcos de evolução claros entre 0 e 5 anos de casa, período crítico onde a estagnação gera evasão.

Contato:

📧 junior.takada@hotmail.com

https://www.linkedin.com/in/juninhorbrr77/


메타데이터
post_id
e9d007681e4e
slug
como-utilizei-excel-e-estatística-para-diagnosticar-a-causa-raiz-do-turnover-metodologia-crisp-dm-e9d007681e4e
url
https://medium.com/@junior.takada/como-utilizei-excel-e-estat%C3%ADstica-para-diagnosticar-a-causa-raiz-do-turnover-metodologia-crisp-dm-e9d007681e4e
canonical_url
https://medium.com/@junior.takada/como-utilizei-excel-e-estat%C3%ADstica-para-diagnosticar-a-causa-raiz-do-turnover-metodologia-crisp-dm-e9d007681e4e
author_url
https://medium.com/@junior.takada
status
ok
fetched_at
2026-07-14 11:41:45