Este é um projeto real de Análise de RH (HR Analytics) que desenvolvi e disponibilizei no meu GitHub. O objetivo: analisar a rotatividade de colaboradores em uma empresa com 1.470 funcionários, identificar os fatores que mais influenciam os desligamentos e quantificar o impacto financeiro — tudo com Python, Jupyter Notebook e Power BI.

O Problema: Rotatividade Como Custo Invisível

A rotatividade de colaboradores (conhecida no mercado pelo termo em inglês turnover) é um dos maiores custos ocultos de qualquer organização. Recrutamento, seleção, integração, curva de aprendizado, perda de conhecimento — cada saída custa entre 50% e 200% do salário anual do colaborador substituído. O problema é que poucos negócios conseguem enxergar esse custo de forma clara e antecipada.

O dataset utilizado neste projeto contém dados de 1.470 colaboradores de diferentes departamentos, faixas salariais e perfis demográficos. Dos 1.470, 237 deixaram a empresa — uma taxa de desligamento (attrition) de 16,1%. A análise foi construída para responder: quem sai, por quê e o que isso custa?

Metodologia: ETL, EDA e Dashboard

O projeto foi estruturado em três etapas integradas:

Etapa 1 — ETL com Python

Um script Python com Pandas realiza a extração, transformação e carregamento dos dados brutos. As principais transformações aplicadas:

  • Padronização de tipos de dados e tratamento de valores ausentes
  • Criação de variáveis derivadas: faixas etárias, faixas salariais, grupos de tempo de empresa
  • Codificação de variáveis categóricas para compatibilidade com análise estatística
  • Exportação do dataset limpo para consumo pelo Power BI e pelo notebook de EDA

Etapa 2 — Análise Exploratória (EDA) em Jupyter Notebook

Com Pandas, Matplotlib e Seaborn, analisei distribuições, correlações e padrões de desligamento por segmento. Esta etapa gerou os insights que fundamentam o dashboard.

Etapa 3 — Dashboard Power BI com DAX

O dashboard interativo consolida todas as análises em visuais que permitem filtragem por departamento, faixa etária, cargo e período. Medidas DAX foram criadas para calcular taxas de rotatividade dinâmicas e estimativas de impacto financeiro.

Resultados: Os Números Reais

Rotatividade por Departamento

A taxa de desligamento varia significativamente por área:

  • Vendas: 20,6% de rotatividade — o departamento mais crítico
  • Recursos Humanos: 19,0%
  • P&D (Pesquisa e Desenvolvimento): 13,8%

Esse dado sozinho muda o foco das ações de retenção: não há por que implementar medidas genéricas para toda a empresa quando o problema está concentrado em áreas específicas.

Rotatividade por Faixa Etária

  • Até 25 anos: 35,8% — mais de 1 em cada 3 jovens sai
  • 36 a 45 anos: apenas 9,2%

Colaboradores mais jovens têm probabilidade de saída quase quatro vezes maior. Isso aponta diretamente para a necessidade de programas de desenvolvimento e plano de carreira voltados ao início de trajetória.

Rotatividade por Tempo de Empresa

  • Até 1 ano: 34,9% de desligamentos — o período mais crítico
  • 10 anos ou mais: 8,1%

Quase 35% dos colaboradores com menos de um ano de empresa saem. Isso reforça que o onboarding é onde a retenção começa — ou fracassa.

Impacto das Horas Extras

Este foi um dos insights mais expressivos da análise:

  • Com horas extras: 30,5% de rotatividade
  • Sem horas extras: 10,4%

Colaboradores que fazem horas extras têm uma taxa de desligamento quase três vezes maior. A relação não é apenas estatística — ela sinaliza sobrecarga como fator de desgaste real.

Impacto Salarial

  • Quartil salarial baixo: 29,3% de rotatividade
  • Quartil salarial alto: 10,3%
  • Salário médio de quem saiu: $4.787/mês
  • Salário médio de quem ficou: $6.832/mês

A diferença salarial entre quem fica e quem sai é de quase $2.000/mês. O dado confirma o que a literatura sobre retenção já indicava: remuneração abaixo da média é um preditor direto de desligamento.

O Custo Financeiro Real

Com base nas 237 saídas e no custo médio de substituição estimado em 50% do salário anual, o custo total estimado de rotatividade chega a $6,8 milhões.

A análise foi além: com uma redução de apenas 15% na taxa de desligamento — número alcançável com ações direcionadas — a economia potencial seria de $1,02 milhão. Esse é o tipo de informação que transforma um relatório de RH numa conversa com o comitê executivo.

Entregáveis do Projeto

O projeto completo inclui:

  • Script ETL em Python para limpeza e transformação dos dados
  • Notebook de EDA (Jupyter) com análise completa e visualizações
  • Dashboard Power BI (.pbix) com filtros interativos e medidas DAX
  • Relatório executivo em PDF disponível em português e inglês

Todo o código e documentação estão disponíveis no repositório GitHub.

O Que Este Projeto Demonstra

Três princípios que guiaram este trabalho e que aplico em todos os projetos:

  • Dados limpos antes de qualquer análise: o ETL consumiu a maior parte do tempo, mas sem ele os visuais seriam rápidos e enganosos
  • Segmentação é onde o valor está: a taxa global de 16,1% esconde padrões completamente diferentes — jovens em Vendas com horas extras têm risco de desligamento acima de 35%
  • Traduza dados em decisão: o número de $1,02M em economia potencial não é decoração — é o argumento que justifica investimento em retenção

Se a sua empresa enfrenta desafios similares de rotatividade, absenteísmo ou análise de dados de RH, os serviços de análise de dados da PC Data Insights incluem diagnóstico inicial do processo atual. Veja mais projetos no portfólio e entre em contato pelo formulário ou pelo WhatsApp para discutir o seu caso.