GOTudo que precisa de atencao agora
Varredura de todos os departamentos contra os limiares de cada metrica, ordenada por severidade. Cada alerta leva direto a tela que explica o numero.
Departamentos ranqueados por risco
Risco composto = 40% vacancia + 40% turnover anualizado + 20% (100 − cobertura de bench). Ordenado do maior para o menor risco.
Comparativo entre departamentos
Celulas mais escuras = pior posicao relativa naquela metrica. Cada coluna e normalizada entre os departamentos.
Detalhe por departamento
Headcount real vs. necessario
Equivalente ao "estoque atual vs. demanda projetada" em uma cadeia de suprimentos — a lacuna entre as duas linhas e a vacancia a cobrir.
Indice de demanda de negocio
Base 100 = media do periodo. Uma unica serie para a empresa toda — o "driver" que dita quanto headcount cada departamento precisa, ponderado pela sensibilidade de cada um (Operacoes/Comercial sentem o pico de Novembro-Dezembro; TI/RH/Financeiro quase nao oscilam).
Simulador what-if — "se eu nao agir agora"
Parte da demanda projetada na tela anterior: se o turnover subir e a demanda crescer, qual o gap de headcount e o custo acumulado em 3, 6 e 12 meses? Estimativa direcional (nao e um modelo atuarial).
Turnover anualizado por classe (curva ABC)
Classe A = cargos mais criticos para a operacao. Giro alto em classe A e o equivalente a "stockout" de um SKU essencial.
Motivo de saida (voluntarias, 12 meses)
Responde "por que" — nao so "quanto". Compensacao no topo aponta para gap de mercado; Gestor/Lideranca aponta para um problema de pessoas, nao de processo.
Turnover por gestor (top 5, 12 meses)
Isola o driver "de quem" — um gestor com taxa de saida bem acima dos pares e um sinal de gestao, nao de mercado de trabalho.
Matriz criticidade x risco de saida
Grade 9-box: 3 faixas de risco de saida (colunas) x 3 classes de criticidade do cargo (linhas). Cada bolha e um cargo, com tamanho proporcional ao headcount. Quanto mais intensa a celula, pior a combinacao — o canto superior direito (classe A em risco alto) e a prioridade de retencao.
Como o modelo funciona
Regressao logistica treinada em cima do painel mensal de colaboradores (fact_ml_attrition_snapshot), prevendo a probabilidade de saida nos proximos 12 meses. Linhas com janela de observacao censurada foram excluidas do treino (ver Metodologia).
O que mais influencia o risco previsto
Coeficientes padronizados do modelo — barras a direita aumentam o risco, a esquerda reduzem.
Risco previsto por departamento
Media da probabilidade prevista de saida em 12 meses, por departamento (todos os colaboradores ativos hoje).
Cargos com maior risco previsto (empresa toda)
Ranking independente do departamento selecionado no topo — é uma leitura de risco no nivel da empresa inteira.
Plano de acao priorizado
Top 3 problemas ranqueados pelo impacto financeiro estimado — regra automatica a partir dos mesmos dados do painel, nao uma opiniao solta. Baseado sempre nos ultimos 12 meses, independente do filtro de periodo acima.
Estoque de seguranca de sucessores (bench gap)
Cargos onde o numero de sucessores prontos fica abaixo da meta de seguranca — priorize a reposicao pelos maiores gaps.
Sucessores nomeados
"Esse cargo critico tem sucessor pronto? Quem?" — resposta direta, nao so a contagem do gap.
Indicadores (12 meses)
Funil de recrutamento
Candidaturas ate a contratacao (12 meses). Cada etapa mostra a taxa de conversao em relacao a anterior.
SLA do processo por etapa
Cada etapa tem dono diferente — R&S faz a triagem, o gestor faz a entrevista, C&B aprova a oferta. Medir etapa por etapa mostra ONDE o processo trava, nao apenas que o tempo total estourou.
Indicadores
Equidade salarial interna (faixa min-max por cargo)
Cada barra vai do menor ao maior salario ativo dentro do mesmo cargo — quanto maior a barra, maior o gap de equidade a investigar.
Indicadores (mes de referencia)
Absenteismo ao longo do tempo
Taxa de absenteismo mensal (dias de falta / dias uteis estimados). Respeita o filtro de periodo.
Indicadores (12 meses)
Turnover: treinados x nao treinados
Colaboradores que concluiram ao menos 1 treinamento nos ultimos 12 meses vs. os demais — correlacao, nao necessariamente causalidade (quem treina tambem tende a ser quem a empresa quer reter).
Indicadores
eNPS ao longo do tempo
Pesquisa trimestral de engajamento. Respeita o filtro de periodo acima.
Piramide de carreira
Distribuicao do headcount pelos 7 degraus da estrutura. Uma base larga e topo estreito e o desenho saudavel; degraus vazios no meio indicam trilha interrompida.
Trilhas de carreira
Cargos de base tem niveis (I/II/III) porque a progressao acontece dentro do cargo. Especialistas, supervisores e coordenadores nao tem nivel — ali a progressao e por mudanca de cargo. "No topo" mede quem ja esgotou a trilha atual e so cresce saindo dela.
Scorecard por departamento
Todas as areas de RH cruzadas por departamento, ranqueado pelo risco previsto pelo modelo de ML — o material de uma reuniao de 1:1 com cada gestor.
Esta narrativa e um placeholder deterministico. O pipeline real chama a API da
Claude (ver generate_ai_insights.py) para transformar os mesmos
numeros em uma recomendacao redigida — o equivalente a um "Copilot" de People
Analytics, mas com marca propria.
De onde vem esse dado
Todos os números deste painel são 100% sintéticos — não refletem
nenhuma empresa real. Foram gerados por um script Python determinístico
(generate_synthetic_data.py, seed fixa) que simula uma empresa de
varejo/logística com 6 departamentos ao longo de 10 anos de histórico mensal.
Como a demanda foi gerada
A série de demanda combina 4 camadas: uma tendência de crescimento de longo prazo, um ciclo de negócio (senoide de período e fase aleatórios, simulando expansão/retração macroeconômica), sazonalidade que é sorteada a cada ocorrência em vez de fixa (o pico de Novembro-Dezembro varia ano a ano), e choques ocasionais (~3,5% de chance por mês de um evento pontual). Cada departamento reage a essa demanda com uma sensibilidade própria — Operações e Comercial sentem o pico com força; TI, RH e Financeiro quase não oscilam.
Como o turnover foi gerado
Cada cargo tem uma taxa-base de saída mensal por classe de criticidade (A/B/C). Essa taxa é multiplicada por um índice de "moral organizacional" — um processo autoregressivo (AR1) que evolui mês a mês para toda a empresa ao mesmo tempo, fazendo o turnover clusterizar em trimestres de atrição elevada em vez de ser puramente aleatório e independente por colaborador. O motivo de saída (Compensação, Gestor/Liderança etc.) é sorteado com peso maior para "Compensação" quando o cargo paga abaixo do mercado, e para "Gestor/Liderança" quando o gestor tem a flag sintética de alta atrição.
O dataset de Machine Learning e suas limitações
fact_ml_attrition_snapshot.csv é um painel mensal (1 linha por
colaborador ativo x mês) com o label left_within_12m — saiu ou não
nos 12 meses seguintes aquele snapshot. Censura à direita: perto
do fim da janela de dados, um colaborador ainda ativo pode simplesmente não ter
tido tempo de completar os 12 meses de observação — o label "0" nesses casos
significa "não deu tempo de observar", não "ficou". As colunas
observation_censored_12m marcam essas linhas, e o script de
treino (train_attrition_model.py) as exclui antes de treinar —
um pipeline ingênuo que ignorasse essa distinção estaria introduzindo viés.
O modelo de previsão de risco
Uma regressão logística simples (ver Previsão de Risco (ML)) treinada com 9 features do colaborador, do cargo e do gestor. É um modelo propositalmente simples e transparente (não uma rede neural caixa-preta) — o objetivo aqui é demonstrar o ciclo completo (dado bruto → dataset supervisionado → modelo → previsão acionável no painel), não maximizar acurácia. O AUC reportado é modesto e honesto — não foi inflado artificialmente.
Este é um projeto de portfólio. Nenhum dado aqui representa pessoas, empresas ou eventos reais — qualquer semelhança é coincidência estatística do gerador aleatório.