Risco de Demissão

Projeto desenvolvido com o objetivo de prever o risco de um funcionário ser demitido, das empresas parceiras da financeira, permitindo à instituição antecipar comportamentos de inadimplência e ajustar políticas de crédito e retenção de forma preventiva.

A solução foi construída com Python e técnicas de Machine Learning, com foco em modelos de classificação (Logistic Regressiont), avaliando o desempenho e interpretabilidade para tomada de decisão.

Variáveis utilizadas no modelo

• sexo — distribuição demográfica e impacto comportamental

• idade — relação entre maturidade profissional e estabilidade

• região — contexto econômico e taxa de empregabilidade local

• cargo — nível hierárquico e volatilidade de função

• salário — poder aquisitivo e risco financeiro

• tempo_casa — estabilidade no emprego atual

• valor_emprestimo — exposição de crédito individual

• qtd_parcelas — comprometimento da renda com obrigações financeiras

Etapas do projeto

1. Pré-processamento dos dados

   • Limpeza, codificação categórica (One-Hot Encoding) e normalização numérica

   • Análise exploratória (EDA) para identificar padrões de rotatividade e correlações

2. Treinamento e avaliação dos modelos

   • Teste de classificadores: Logistic Regression, Random Forest, XGBoost

   • Validação cruzada e ajuste de hiperparâmetros (GridSearchCV)

   • Métricas utilizadas: Acurácia, Precisão, Recall, F1-Score e ROC-AUC

3. Interpretação e importância das variáveis

   • Ranking das features com maior influência no risco de demissão

   • Visualização com SHAP values e feature importance plots