Melhorando a segurança no local de trabalho com análise de RH: um tutorial
O artigo “Improving Workplace Safety with HR Analytics: A Tutorial” enfatiza a importância da segurança no trabalho para as empresas e seus funcionários. Ele destaca o custo significativo associado a lesões relacionadas ao trabalho e afirma que a maioria desses incidentes pode ser evitada.
O artigo defende o uso de análises de RH, particularmente o algoritmo de ML não supervisionado chamado Association Rules, para evitar acidentes no local de trabalho.
O artigo demonstra como as Regras de Associação podem ser utilizadas para sintetizar grandes quantidades de dados de segurança para identificar pontos de intervenção que podem prevenir futuros incidentes. O artigo também fornece exemplos práticos escritos em Python e R para auxiliar os líderes de RH na interpretação e aplicação das descobertas.
O desafio empresarial
Uma empresa de manufatura está empenhada em garantir a segurança de seus funcionários no local de trabalho, mas os incidentes de segurança continuam a ocorrer com mais frequência do que o desejado, apesar de várias iniciativas de segurança.
A empresa coleta dados detalhados para cada incidente de segurança e, durante uma reunião recente, o vice-presidente de manufatura pediu ao RH que analisasse os dados de segurança para identificar condições comuns associadas aos incidentes. O objetivo é determinar se o tratamento dessas condições pode evitar incidentes futuros.
O departamento de RH abordou sua equipe de análise de RH para conduzir uma análise dos dados de segurança e identificar condições evitáveis. É importante observar que os conjuntos de dados de segurança no local de trabalho não estão prontamente disponíveis; portanto, a análise neste artigo usa um conjunto de dados de incidentes com veículos no Reino Unido para demonstrar como a análise pode ser conduzida.
Por que regras de associação
Existem vários métodos disponíveis para identificar condições associadas a incidentes de segurança, mas as regras de associação são particularmente úteis para identificar rapidamente condições que ocorrem com frequência e que estão vinculadas. Este é um aspecto crítico da prevenção de incidentes e da segurança no local de trabalho.
- Suporte
As regras de associação funcionam determinando a probabilidade de duas condições aparecerem juntas, o que é chamado de suporte. Em outras palavras, o suporte é a probabilidade de ambas as Condições A e B acontecerem juntas, expressa como o número de incidentes contendo ambas as condições em relação ao tamanho do conjunto de dados. - Confiança
Outro aspecto importante das Regras de Associação é a confiança, que indica a probabilidade da Condição B ocorrer se a Condição A tiver ocorrido. É calculado dividindo a probabilidade de ambas as Condições A e B acontecerem pela probabilidade de apenas a Condição A acontecer.
A elevação é outro componente chave das regras de associação que mede a certeza de prever a condição B quando a condição A está presente. Um valor de elevação maior que 1 geralmente é considerado uma associação forte. A elevação é calculada dividindo a probabilidade da Condição B dada a Condição A pela probabilidade de ocorrer apenas a Condição B.
Fluxo de trabalho
Para enfrentar esse desafio de negócios, o seguinte fluxo de trabalho será seguido:
Ingerir e preparar os dados, o que envolve etapas que não são abordadas em detalhes neste artigo.
Analise os dados usando regras de associação. Normalmente, a análise exploratória de dados seria realizada antes de análises mais avançadas, como Regras de Associação. No entanto, o foco deste artigo está no uso de Regras de Associação e, portanto, vamos pular a discussão da análise exploratória.
Visualize os resultados da análise das regras de associação para informar a ação preventiva. Neste artigo, são apresentados dois métodos não tradicionais de visualização para Regras de Associação.
A razão para isso é dupla: em primeiro lugar, os principais componentes das regras de associação (ou seja, suporte, confiança e levantamento) podem não ser claros para as partes interessadas do negócio, resultando em confusão e falta de ação. Portanto, buscaram-se formas de visualização mais intuitivas para facilitar o entendimento e estimular a ação.
Em segundo lugar, é improvável que as condições de incidentes evitáveis tenham um impacto negativo e, portanto, a interpretação e visualização neste artigo são menos rigorosas do que em outros contextos.
O fluxo de trabalho inclui uma mistura de R e Python, refletindo a experiência dos autores.
Se você deseja aprimorar suas habilidades de análise de RH e adquirir conhecimento sobre análise de dados usando R ou outros programas estatísticos, recomendamos dar uma olhada em nosso Programa de Certificação de People Analytics.
- Ingerir e preparar os dados
O primeiro passo em nossa análise envolveu a ingestão e preparação dos dados. Começamos baixando as bibliotecas necessárias para R e Python. Em seguida, importamos os dados de segurança rodoviária do Reino Unido do Kaggle, que consistem em dois conjuntos de dados: informações sobre acidentes e informações sobre veículos. Devido ao tamanho dos conjuntos de dados, reduzimos nossa análise para focar nos dados de 2015. Em seguida, mesclamos os dois conjuntos de dados para combinar condições de acidentes e veículos para análise posterior. - Analise os dados
Nosso objetivo ao analisar os dados de segurança foi identificar as condiçõesns que geralmente levam a incidentes e a gravidade desses incidentes. Para conseguir isso, executamos a análise três vezes, uma para cada nível de gravidade do incidente (leve, grave e fatal). Fizemos isso porque cada nível de gravidade ocorreu em taxas diferentes e exigiu parâmetros diferentes para identificar as condições que contribuíram para eles. Além disso, esperávamos que a análise dos dados dessa maneira nos permitisse priorizar nossas descobertas e focar nossa atenção nas condições evitáveis mais críticas.
Regras das Associações para incidentes ligeiros
Observamos que a maioria das ocorrências foi classificada como “leve” por meio da análise descritiva. Assim, selecionamos um parâmetro de suporte maior de 0,1, o que significa que a combinação de condições ocorreu pelo menos 10 vezes em 100 incidentes. Para facilitar a visualização, restringimos as combinações a apenas dois antecedentes. Além disso, definimos o parâmetro Lift como 1 para identificar associações mais fortes.
Embora os diagramas de árvore em expansão e o diagrama de tipo de rosa forneçam visualizações intuitivas das regras de associação, eles carecem das métricas detalhadas de suporte, confiança e elevação.
Portanto, usamos as métricas principais para identificar as regras mais importantes e as apresentamos por meio dessas visualizações simplificadas. Mesmo que essas visualizações não atendam às expectativas dos especialistas em estatística, elas ainda são eficazes para envolver o público não técnico, como líderes de negócios, sem comprometer a precisão do algoritmo subjacente.
Utilizamos regras de associação para analisar rapidamente um grande conjunto de dados de incidentes de trânsito e identificar condições que podem ser evitadas. Essa abordagem é aplicável não apenas a incidentes de trânsito, mas também a dados de segurança organizacional. Também experimentamos visualizar a saída das regras de associação usando os diagramas Expanding Tree e Rosetype, que forneceram uma interpretação mais acessível do que os métodos tradicionais.
No entanto, esses métodos de visualização podem ignorar as métricas técnicas geradas pelas Regras da Associação, que podem não agradar aos puristas estatísticos. No geral, essa abordagem pode ajudar a identificar pontos de intervenção e facilitar a comunicação com públicos não técnicos, como líderes organizacionais.
Se você está pensando em usar regras de associação, esse método pode ser utilizado para vários aplicativos de RH, como:
Attrition – Reconhecer as condições que influenciam os funcionários a permanecer ou sair de uma organização. Um exemplo dessa análise pode ser encontrado aqui.
Desempenho – Identificar as condições que resultam em baixo ou alto desempenho no trabalho.
Aprendizado – Detectando cursos ou módulos de treinamento que os funcionários costumam concluir juntos para desenvolver um mecanismo de recomendação. Por exemplo, se um funcionário concluir um curso específico, ele também poderá concluir os cursos relacionados X, Y e Z.
