Tecnologia da informação e aprendizado máquina: uma abordagem prática na seleção e classificação de características para contratação de funcionários na era digital.

Abstract

Hodiernamente, tem-se explorado cada vez mais a tecnologia como um dos meios para se obter boa performance nos negócios. Em especial, no contexto das áreas de vendas de empresas de tecnologia da informação, ambiente que tem como principal função fazer o negócio crescer, mas possui a escassez de oferta de mão de obra qualificada, o que passa a ser um dos principais empecilhos para atingir esse objetivo, sem instrumentos tecnológicos. Corroborando com essa dificuldade, modelos de contratações tradicionais acabam por muitas vezes não considerando os quesitos de atração de bons vendedores tanto no quesito de performance, quanto também na sua retenção dentro da empresa. Com base nesse cenário, o presente projeto de pesquisa teve como objetivo propor um novo modelo de contratação para vendedores no contexto especificado, através do uso de aprendizado máquina. Para tanto, foram coletadas 76 variáveis de 103 vendedores do mercado de tecnologia da informação brasileiro ao longo de 24 meses para elaborar dois modelos preditivos: de regressão e de classificação. Seu objetivo consiste na priorização de candidatos durante processos seletivos, através da verificação de \textit{features} que tenham alto grau de importância na preditividade de performance e retenção. Para tanto, as melhores métricas para avaliação de desempenho dos modelos preditivos foram determinadas através de metodologias de validação cruzada e tunagem de hiper-parâmetros. Ambos os modelos foram avaliados segundo as métricas mais pertinentes para cada qual. Para a classificação, utilizou-se MCC e AUC-ROC, enquanto que para regressão, o RMSE. Dentre as treze principais características resultantes do estudo, verificou-se que alunos de universidades públicas e que são contratados com menor tempo de formados, tendem a obter melhor performance nos dois cenários verificados.

Nowadays, technology has been more explored as a mean to achieve a good performance in business. In particular, looking deeper into the context of the sales areas from information technology companies, an environment whose main function is to growth and scale the business, but has a shortage of qualified labor supply, which turns out to be one of the main resources to achieve this goal, without technological tools. Corroborating to this difficulty, traditionally terminated hiring models often passes unnoticed when the subject is displayed both good salespeople performance and also focusing on their retention within the company. Based on this scenario, the present research project aimed to propose a new hiring model for salespeople in the specified context using the machine learnig. For this purpose, 76 variables were collected from 103 sales representatives from a brazillian information technological company, over 24 months to develop two predictive models: regression and classification. In order to prioritize selection process candidates by verifying features that have a high degree of importance in predicting performance and retention. To achieve this goal, it has been used the best. Therefore, the best metrics for performance evaluation of predictive models were determined through cross-validation methodologies and hyper-parameter tuning. Both models were evaluated according to the most relevant metrics for each one. For classification, MCC and AUC-ROC were used, while for regression, the RMSE. Among the thirteen main characteristics resulting from the study, it was found that students from public universities who are hired with the shortest time after graduation, obtained better performance in both scenarios verified.