Recursos Humanos
Indústria
Soluções
Estatística e análise preditiva
Melhoria da qualidade
Recursos humanos
Atendimento e contato do cliente
Produtos utilizados
As iniciativas de melhoria de processos orientados por dados são tipicamente associadas com setores como o de produção. No entanto, o processo de utilização de análise de dados e estatística para resolução de problemas é suficientemente flexível para beneficiar qualquer função de negócios. “O Lean Six Sigma cresceu em ambientes transacionais e em áreas de serviços,” diz Jeff Parks, Master Black Belt em Lean Six Sigma. “Por exemplo, eu tive a oportunidade de aplicar as técnicas de melhoria da qualidade à área de recursos humanos.” Em um projeto recente de Lean Six Sigma, Parks queria entender e reduzir o alto atrito dosfuncionários de um grande fabricante de peças para motores aeroespaciais, contando com as poderosas ferramentas do Minitab Statistical Software para analisar os dados.
Desafio
O atrito defuncionários, ou rotatividade, é a taxa de saída de funcionários de uma empresa. Devido aos gastos com contratação e treinamento de novos funcionários, altas taxas de atrito podem ser problemáticas (e muito caras) para as empresas.
Em 2009, um grande fabricante de peças de motores aeroespaciais em Ohio teve taxas de atrito normais de 15 a 18 por cento, que refletiam as taxas de atrito gerais no setor de fabricação na região onde a empresa está sediada. No entanto, a desaceleração da economia dos EUA em 2009 coincidiu com um aumento na taxa de atrito da empresa, que subiu para mais de 30 por cento. Levando em conta as altas taxas de desemprego no nível regional e nacional, a administração da empresa esperava que as taxas seriam muito menores. “A alta taxa de atrito foi um grande problema,” diz Parks, que liderou os esforços da empresa na melhoria da qualidade. “Essa taxa indicava que um problema maior existia dentro da empresa, e que o departamento de recursos humanos não conseguia identificar.”
O pessoal do departamento de recursos humanos desse fabricante baseava-se em entrevistas de saída para entender por que os funcionários deixavam a empresa. Embora seja possível aprender muito com essas entrevistas, não há oportunidade de realizar uma entrevista de saída quando os funcionários saem sem aviso prévio. E, em um ambiente de produção por hora, onde o trabalho é muito exigente, não era incomum os funcionários saírem sem aviso prévio, deixando pouca ou nenhuma informação sobre o que motivou sua saída. O fabricante havia compilado dados básicos sobre os funcionários que deixaram seus empregos sem aviso prévio ao longo dos últimos dois anos, e Parks assumiu a tarefa de analisar os dados para ver se eles poderiam oferecer informações sobre o aumento súbito de atrito.
Como o Minitab ajudou
A empresa contratou 100 funcionários em um período de dois anos. Desses novos contratados, 32 deixaram a empresa sem aviso prévio. A empresa tinha informações básicas sobre cada um dos novos contratados, incluindo seu sexo, cargo, nível salarial, turno de trabalho, os anos anteriores de experiência em produção e tempo de deslocamento diário. Para ver se existiam diferenças estatisticamente significativas entre a proporção de funcionários que saíram em todos os níveis salariais (por hora comparado com salário) e turnos de trabalho (1º turno comparado com o 2º turno), Parks realizou testes de hipóteses no Minitab. Ele esperava revelar padrões de comportamento de atrito de funcionários, mas a análise não mostrou diferenças estatisticamente significativas entre as proporções para nenhuma das variáveis.
Mas Parks não parou por aí. Ele continuou a investigar os dados brutos e notou que muitos dos funcionários que saíram eram do sexo feminino, com experiência prévia em produção e que viajavam bastante até o lugar de trabalho. Ele usou o Minitab para descobrir se o sexo, anos de experiência prévia na área de produção, ou distância percorrida diariamente estavam ou não correlacionados com a saída da empresa. Neste caso, a resposta que Parks queria avaliar (sair ou continuar na empresa) era binária e apenas tinha dois valores possíveis. Graças à poderosa análise de regressão logística binária do Minitab, Parks conseguiu criar modelos estatísticos para predizer quais variáveis poderiam ter tornado uma pessoa mais propensa a sair da empresa.
A análise revelou que a duração do deslocamento diário do funcionário era estatisticamente significativa. Os resultados de sua análise com o Minitab produziram uma equação de regressão, que Parks pôde usar para predizer a probabilidade dos funcionários deixarem o emprego, com base no número de quilômetros diariamente percorridos para chegar ao local de trabalho. Ele usou a equação para analisar distâncias de até 30 milhas (aprox. 48 km), e descobriu que a distância de deslocamento teve pouco impacto sobre a probabilidade de um empregado sair, quando se tratava de distâncias de até 12 milhas (aprox. 19km). A partir de 12 milhas, a probabilidade de um empregado sair aumentou para mais de 18 por cento. “E com uma distância de 13 milhas (aprox. 21km), que corresponde a uma viagem de 30 a 45 minutos, a probabilidade de sair disparou para mais de 92 por cento,” observa Parks. “Se o trajeto for superior a 13 milhas, podemos ter quase certeza que o funcionário vai deixar o emprego.”
Resultados
O departamento de RH da empresa utilizou os resultados da análise de Parks para reformular o processo de entrevista para os cargos na produção. Eles começaram a examinar melhor a distância de deslocamento do possível funcionário e levaram isso em consideração antes de tomar decisões sobre a contratação.
Parks acredita que os dados explicam o aparente paradoxo entre uma taxa de atrito crescente e um período de desemprego elevado. “A análise parecia indicar que, durante a recessão, as pessoas eram mais liberais quanto aos empregos que tentavam obter, porque a economia estava muito mal,” diz Parks. “Uma vez que os funcionários percebiam que o deslocamento diário era árduo, eles rapidamente procuravam outros empregos e muitas vezes saiam da empresa.”
Parks usa o Minitab há mais de 15 anos e gosta muito pelo fato de que o software pode ser usado por pessoas de todos os níveis de conhecimento e de várias formações. “Graças ao Minitab consegui ensinar centenas de belts com conhecimento limitado de estatística e terminar projetos de melhoria de qualidade em muitas áreas de negócio diferentes,” diz ele. “Quando se trata de facilidade de uso e poder estatístico, ele é o melhor pacote de estatística no mercado.”
