O custo invisível do turnover que ninguém está calculando corretamente
Toda vez que um funcionário pede demissão, a empresa paga uma conta muito maior do que o aviso prévio e os encargos trabalhistas. O custo real do turnover voluntário inclui o tempo de recrutamento, o salário do período de seleção do substituto, o onboarding, a curva de aprendizado até a produtividade plena, a perda de conhecimento institucional e o impacto no moral da equipe. Estudos do Society for Human Resource Management (SHRM) estimam que substituir um funcionário custa entre 50% e 200% do salário anual do cargo — e para posições técnicas ou de liderança, pode ultrapassar 300%.
No Brasil, onde o mercado de trabalho em tecnologia, saúde, finanças e indústria de precisão enfrenta escassez crônica de talentos qualificados, o problema é ainda mais agudo. Empresas que não gerenciam ativamente a retenção perdem não apenas capital humano, mas participação de mercado para concorrentes que o fazem.
A boa notícia é que a maioria das demissões voluntárias não acontece de surpresa. Existem sinais detectáveis semanas ou meses antes da decisão final — e a inteligência artificial com people analytics é capaz de identificá-los com precisão estatística, permitindo intervenções preventivas antes que o talento coloque o pedido de demissão na mesa do gestor.
O que é attrition prediction e como funciona
Definindo o problema como modelo de machine learning
A previsão de attrition (ou attrition prediction) é um modelo de classificação binária: dado um conjunto de variáveis sobre um funcionário, o modelo estima a probabilidade de que essa pessoa deixe a empresa dentro de um horizonte de tempo definido — geralmente 3, 6 ou 12 meses.
O modelo é treinado com dados históricos de funcionários que saíram (rótulo positivo) e os que ficaram (rótulo negativo), identificando quais padrões de variáveis estavam associados à saída. Uma vez treinado e validado, ele é aplicado à base de funcionários ativos para gerar um score de risco de attrition por pessoa.
Variáveis preditoras mais relevantes
A literatura de people analytics e a experiência da Trilion em projetos de retenção apontam para cinco categorias de variáveis com maior poder preditivo:
- Variáveis de satisfação e engajamento: resultados de pesquisas de clima organizacional (eNPS, pulse surveys), frequência de uso de plataformas de benefícios, participação em programas de reconhecimento.
- Variáveis de trajetória: tempo sem promoção, tempo no mesmo cargo, número de transferências internas, presença ou ausência de plano de desenvolvimento individual (PDI) ativo.
- Variáveis de relacionamento: mudança de gestor direto, saída recente de colegas próximos do time, frequência de conversas 1:1 com liderança.
- Variáveis de carga e bem-estar: horas extras acumuladas, férias não tiradas, índice de absenteísmo, uso do plano de saúde para condições relacionadas a estresse.
- Variáveis de mercado: demanda externa pelo perfil do colaborador (aproximada por dados de LinkedIn e plataformas de recrutamento), diferenciais de remuneração em relação ao mercado.
É importante ressaltar que as variáveis de maior impacto variam por empresa, setor e perfil de cargo. Um modelo robusto é sempre calibrado com dados próprios — não apenas com benchmarks de mercado.
'O erro mais comum em projetos de attrition prediction é usar um modelo genérico sem calibrá-lo com os dados reais da empresa. Cada cultura organizacional cria padrões únicos de saída que só aparecem nos dados proprietários.' — Equipe de People Analytics Trilion
Algoritmos recomendados
Para attrition prediction, os algoritmos de melhor desempenho na maioria dos contextos corporativos são:
- Random Forest e Gradient Boosting (XGBoost, LightGBM): excelente performance preditiva, boa interpretabilidade via importância de variáveis, robusto a dados desbalanceados (muito mais permanências do que saídas).
- Regressão Logística com regularização: menor capacidade preditiva, mas máxima interpretabilidade — útil quando o RH precisa explicar o score a gestores.
- Redes neurais e modelos de atenção: ganho marginal de performance para bases muito grandes, com custo de interpretabilidade mais alto.
Em termos práticos, a maioria das empresas começa com Random Forest ou XGBoost, obtém bons resultados e evolui para arquiteturas mais complexas apenas quando o volume de dados justifica.
Como estruturar as intervenções preventivas
Dos scores às ações: o mapa de intervenção
Um modelo que gera scores sem um protocolo de intervenção claro é apenas um relatório. A eficácia do programa de retenção depende diretamente de como os gestores de RH e as lideranças diretas agem com base nas previsões.
A estrutura de intervenção mais eficaz divide os colaboradores em três faixas de risco:
- Alto risco (score acima de 70%): ação imediata — conversa estruturada com gestor direto e HR Business Partner, diagnóstico dos drivers de insatisfação, proposta de ajuste em até 15 dias. Monitoramento semanal.
- Médio risco (score entre 40% e 70%): ação planejada — inclusão na agenda de desenvolvimento, revisão de PDI, avaliação de remuneração em relação ao mercado. Reavaliação em 30 dias.
- Baixo risco (score abaixo de 40%): ação de manutenção — engajamento regular, reconhecimento e garantia de experiência positiva. Monitoramento mensal.
Personalização da intervenção por driver de attrition
O score sozinho não diz por que o funcionário está em risco — diz apenas que o risco existe. Para personalizar a intervenção, é necessário analisar quais variáveis mais contribuíram para o score de cada indivíduo (via SHAP values ou importância local de features). Quando o risco é dominado por variáveis de remuneração, a resposta é diferente de quando é dominado por variáveis de relacionamento com a liderança ou ausência de crescimento.
Essa personalização transforma a conversa de retenção de genérica para cirúrgica — o gestor sabe exatamente qual tema abordar e quais ações têm maior probabilidade de mudar a trajetória do colaborador.
Evitando os erros éticos e legais
O uso de IA em decisões sobre pessoas levanta questões legais e éticas que não podem ser ignoradas. As boas práticas incluem: transparência sobre o fato de que dados de colaboradores são usados para modelagem; uso exclusivo para intervenções positivas — nunca para demissões antecipadas ou discriminação; auditoria de viés para garantir que o modelo não discrimina por gênero, raça ou faixa etária; e conformidade com LGPD, com base legal adequada e minimização de dados. A Trilion conduz revisões de compliance em todos os projetos de people analytics.
ROI calculado: o retorno financeiro da retenção preditiva
Metodologia de cálculo
O retorno financeiro de um programa de attrition prediction pode ser calculado com precisão razoável seguindo esta metodologia:
- Passo 1 — Custo basal do turnover: número de saídas voluntárias no último ano × custo médio de substituição por cargo. Esse é o valor que o programa busca reduzir.
- Passo 2 — Taxa de retenção incremental: percentual adicional de colaboradores em risco que permaneceram após intervenção, comparado com grupo de controle ou período anterior. Em implementações bem conduzidas, essa taxa fica entre 15% e 40%.
- Passo 3 — Benefício líquido: (turnover basal × taxa de retenção incremental × custo médio de substituição) menos o custo total do programa (tecnologia, consultoria, horas de RH).
Um exemplo concreto: empresa com 800 funcionários, turnover anual de 18% (144 saídas), custo médio de substituição de R$ 45.000,00. Custo basal: R$ 6,48 milhões por ano. Com um programa que retém 25% dos colaboradores em alto risco antes da saída, a economia estimada é de R$ 1,62 milhão anuais — contra um custo de implementação e manutenção de R$ 180.000,00. ROI de 800% no primeiro ano.
'People analytics não é sobre transformar funcionários em números — é sobre usar dados para tratar cada pessoa com mais atenção e assertividade do que seria possível sem a tecnologia.' — Trilion, Framework de People Analytics Responsável
Benefícios não financeiros igualmente importantes
Além do ROI direto, programas de retenção preditiva geram benefícios que aparecem em outros indicadores: aumento do eNPS (funcionários percebem que a empresa investe ativamente em retê-los), melhora na qualidade de gestores que passam a ter conversas mais estruturadas com suas equipes, e construção de uma cultura de dados em RH que se estende para recrutamento, desenvolvimento e planejamento de força de trabalho.
Implementação: etapas e timeline realista
Para empresas que querem iniciar um programa de attrition prediction, o roteiro típico envolve quatro fases: (1) Auditoria de dados — avaliar quais fontes de dados de RH estão disponíveis, com qual qualidade e completude (2 a 4 semanas); (2) Desenvolvimento e validação do modelo — treinamento, calibração e teste com dados históricos (4 a 8 semanas); (3) Integração e piloto — conexão com sistemas de RH, definição dos protocolos de intervenção e piloto com um grupo de gestores (4 a 6 semanas); (4) Roll-out e monitoramento contínuo — expansão para toda a empresa, monitoramento de performance do modelo e retreinamento periódico.
O timeline total para um programa funcional é de 3 a 5 meses. A Trilion conduz projetos de people analytics com esse escopo, atuando desde a arquitetura de dados até o treinamento dos times de RH para usar as ferramentas com autonomia. Se a retenção de talentos é uma prioridade estratégica para sua empresa, fale com nosso time para agendar uma sessão de diagnóstico.
