"A IA não deve apenas prever o futuro, deve mostrar quais alavancas puxar para mudá-lo."
O RH System Pro é uma plataforma End-to-End de People Analytics que evoluiu de um modelo preditivo para um Sistema de Suporte à Decisão (DSS). Nesta versão 3.0, utilizamos XGBoost e uma interface focada em Design System para não apenas identificar o risco de turnover, mas também calcular o ROI financeiro da retenção e simular cenários estratégicos em tempo real.
🌐 Acesse a Aplicação ao Vivo: https://rh-system-pro.streamlit.app
Não basta saber quem vai sair. O RH moderno precisa saber:
- Quanto custa perder esse talento? (ROI)
- O que acontece se eu aumentar o salário ou reduzir a carga horária? (Simulação)
- Por que o risco é alto? (Explicabilidade)
Este projeto resolve essas questões simulando um ambiente corporativo de alta escala, focado na experiência do usuário final (Gestor de RH).
O sistema foi construído seguindo princípios de Clean Architecture, abandonando notebooks estáticos por uma estrutura modular de produção.
- Core ML:
(Motor Preditivo Otimizado) + Scikit-learn (Pipelines).
- Frontend:
+ CSS Injection (Design System Customizado).
- Data Viz:
(Gráficos Interativos).
- Engenharia: Pandas, Numpy, Joblib (Processamento de 50k+ registros).
- Deploy: Streamlit Cloud (CI/CD via GitHub).
rh_system_pro/
├── config.py # Centralização de variáveis e Tokens de Design
├── app.py # Aplicação Frontend e Orquestrador UI
├── src/
│ ├── processing/ # ETL e Engenharia de Atributos
│ ├── train/ # Pipeline de Treino (XGBoost) e Serialização
│ └── predict/ # Motor de Inferência e Lógica de Sensibilidade
├── models/ # Artefatos binários (.pkl)
└── data/ # Gestão de Dados (Raw e Processed)
Em vez de uploads manuais de CSV, o sistema simula uma conexão direta com um Data Warehouse, carregando automaticamente uma base de dados atualizada.
O pipeline de inferência foi validado com uma carga de 25.000 registros (Stress Test), garantindo que o sistema processa, limpa e classifica o risco de toda a folha de pagamento em segundos, sem latência perceptível.
Implementação de macanismos de reindex e tratamento de nulos para garantir que o modelo em produção nunca quebre, mesmo se a base de dados nova tiver colunas faltantes ou ordem trocada.
- Visão Retrovisor: Análise demográfica, Salarial e Horas Extras.
- Visão Preditiva (IA): Classificação de risco (Crítico/Alerta/Baixo) e lista priorizada para ação do RH.
-
A interface foi reconstruída utilizando princípios de UI/UX para reduzir a carga cognitiva.
-
Paleta de Cores: Azul Petróleo Profundo (Estrutura) e Verde Técnico (Ação).
-
Visibilidade: Contraste forçado via CSS para garantir leitura em qualquer modo (Light/Dark).
- A IA saiu da caixa preta. O gestor pode alterar variáveis de um funcionário (ex: dar aumento de 20% ou remover horas extras) e ver, em tempo real, como a probabilidade de turnover cai.
- O sistema cruza a probabilidade de saída com o Custo de Reposição (Recrutamento + Treinamento) vs. Custo de Intervenção, mostrando a economia líquida gerada pela retenção.
- Substituímos a Decision Tree pelo XGBoost, capturando padrões não-lineares complexos de comportamento humano. O modelo entrega não só o risco, mas o Feature Importance (quais variáveis pesam mais na decisão).
O modelo preditivo (XGBoost tunado) foi validado não apenas com métricas estatísticas, mas com Backtesting Lógico.
Simulamos cenários reais de comportamento humano (ex: Burnout por excesso de hora extra) em dados para garantir que a IA aprendeu as regras de negócio corretamente.
| Métrica | Resultado | Interpretação |
|---|---|---|
| Recall | ~80% | O modelo identifica 80% dos funcionários que realmente sairiam. |
| Threshold | 0.25 | Calibrado para ser mais sensível (melhor pecar pelo excesso de cuidado). |
Optamos por maximizar o Recall em vez da Acurácia, pois o custo de deixar um talento sair (Falso Negativo) é muito maior doque o custo de uma conversa preventiva com alguém que ficaria (Falso Positivo).
Para garantir que o modelo não sofreu overfitting, realizamos um Backtest Lógico em uma base sintética de 25.000 registros simulando o comportamento real de turnover (Burnout/Salário).
Evidência de Execução:
O script
src/predict/validate.pyaplica a lógica de negócio e compara com as previsões do modelo, confirmando a robustez da solução.
Clone o projeto e instale as dependências:
# 1. Clone o repositório
git clone [https://github.com/Ignowsky/RH-System-Pro.git](https://github.com/Ignowsky/RH-System-Pro.git)
# 2. Entre na pasta
cd RH-System-Pro
# 3. Instale as dependências
pip install -r requirements.txt
# 4. Execute a aplicação
streamlit run app.py
Projeto desenvolvido com fins educacionais e de portfólio, demonstrando o ciclo completo de DS (Do Dado ao Deploy)