3.1.1 Contexto e propósito original

O dataset corresponde a um conjunto de dados sintéticos, com base em padrões observados em ambientes corporativos. Seu propósito original é servir como base para modelos preditivos de burnout e análises de contextos de RH.

3.1.2 Características do dataset bruto

3.1.3 Variáveis originais

3.3.1 Padronização dos nomes das variáveis

A função clean_names() do pacote janitor converte todos os nomes de colunas para snake_case, sem espaços ou caracteres especiais.

df <- clean_names(df_bruto)
names(df)

##  [1] "employee_id"                    "role"                          
##  [3] "job_level"                      "department"                    
##  [5] "tenure_months"                  "salary"                        
##  [7] "performance_score"              "satisfaction_score"            
##  [9] "workload_score"                 "team_sentiment"                
## [11] "recent_feedback"                "communication_patterns"        
## [13] "project_completion_rate"        "overtime_hours"                
## [15] "training_participation"         "collaboration_score"           
## [17] "technical_skills"               "soft_skills"                   
## [19] "email_sentiment"                "slack_activity"                
## [21] "meeting_participation"          "goal_achievement_rate"         
## [23] "stress_level"                   "burnout_risk"                  
## [25] "left_company"                   "turnover_reason"               
## [27] "risk_factors_summary"           "turnover_probability_generated"
## [29] "persona_name"                   "role_complexity_score"         
## [31] "career_progression_score"

3.3.2 Conversão de tipos de dados

Para os dados vindos do Parquet, algumas conversões de dados são necessárias: job_level precisa se tornar um fator ordenado para que comparações entre níveis funcionem corretamente, e tenure_months é convertido explicitamente para inteiro.

df$job_level <- factor(df$job_level,
                       levels  = c("Entry", "Mid", "Senior", "Manager", "Lead"), #níveis em fator para o nível
                       ordered = TRUE)

df$tenure_months <- as.integer(df$tenure_months) #inteiro

glimpse(df)

## Rows: 849,999
## Columns: 31
## $ employee_id                    <chr> "SYN_00000000", "SYN_00000001", "SYN_00…
## $ role                           <chr> " ", " Customer Success Manager", " Adm…
## $ job_level                      <ord> Mid, Manager, Entry, Manager, Mid, Mid,…
## $ department                     <chr> "Research & Development", "Research & D…
## $ tenure_months                  <int> 169, 54, 1, 31, 131, 34, 100, 77, 107, …
## $ salary                         <dbl> 79704.58, 29694.29, 62208.47, 236066.57…
## $ performance_score              <dbl> 0.6324821, 0.5385873, 0.6246560, 0.9593…
## $ satisfaction_score             <dbl> 0.6237460, 0.9825562, 0.7672001, 0.1858…
## $ workload_score                 <dbl> 0.7581168, 0.7884164, 0.6976166, 0.4931…
## $ team_sentiment                 <dbl> 0.6623349, 0.9346612, 0.8885591, 0.7321…
## $ recent_feedback                <chr> "Close to home and good shift time give…
## $ communication_patterns         <chr> "Exhibits communication style typical o…
## $ project_completion_rate        <dbl> 0.5241873, 0.5582056, 0.5668491, 0.7674…
## $ overtime_hours                 <dbl> 0.000000, 0.000000, 0.000000, 9.591680,…
## $ training_participation         <dbl> 0.04437344, 0.31485786, 0.74490049, 0.2…
## $ collaboration_score            <dbl> 0.4921307, 0.9813943, 0.7011382, 0.3396…
## $ technical_skills               <list<character>> <"REST APIs", "Python (Pand…
## $ soft_skills                    <list<character>> <"Communication", "Creativi…
## $ email_sentiment                <dbl> 0.6328913, 1.0000000, 0.7580049, 0.2025…
## $ slack_activity                 <dbl> 0.4921307, 0.9813943, 0.7011382, 0.3396…
## $ meeting_participation          <dbl> 0.4921307, 0.9813943, 0.7011382, 0.3396…
## $ goal_achievement_rate          <dbl> 0.6324821, 0.5385873, 0.6246560, 0.9593…
## $ stress_level                   <dbl> 0.9089919, 0.3633211, 0.6643785, 1.0000…
## $ burnout_risk                   <dbl> 0.8666426, 0.2189959, 0.5415310, 1.0000…
## $ left_company                   <lgl> FALSE, FALSE, TRUE, FALSE, FALSE, FALSE…
## $ turnover_reason                <chr> "Not Applicable", "Not Applicable", "Pe…
## $ risk_factors_summary           <chr> "Severe Burnout Risk", "Low Risk", "Low…
## $ turnover_probability_generated <dbl> 0.2909790, 0.1560017, 0.2338970, 0.3516…
## $ persona_name                   <chr> "ChangeResistor", "NewEnthusiast", "New…
## $ role_complexity_score          <dbl> 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2,…
## $ career_progression_score       <dbl> 1.0000000, 1.0000000, 0.8364946, 1.0000…

3.3.3 Tratamento de valores ausentes e strings especiais

turnover_reason usa a string "Not Applicable" para funcionários ainda ativos. Para o contexto do R, converte-se para NA. Em adição, padroniza-se a capitalização de risk_factors_summary e remove-se espaços extras nas colunas de texto.

df$turnover_reason[df$turnover_reason == "Not Applicable"] <- NA
df$turnover_reason[df$turnover_reason == ""]               <- NA


df$risk_factors_summary <- str_to_title(trimws(df$risk_factors_summary))


df$risk_factors_summary <- factor(
  df$risk_factors_summary,
  levels  = c("Low Risk", "Medium Risk", "High Risk", "Severe Burnout Risk"),
  ordered = TRUE
)


df$persona_name           <- trimws(df$persona_name)
df$role                   <- trimws(df$role)
df$department             <- trimws(df$department)
df$communication_patterns <- trimws(df$communication_patterns)
df$recent_feedback        <- trimws(df$recent_feedback)


n_nas <- colSums(is.na(df))
n_nas <- n_nas[n_nas > 0]

if (length(n_nas) > 0) {
  na_tabela <- data.frame(
    Variável    = names(n_nas),
    N_ausentes  = as.integer(n_nas)
  )
  kable(na_tabela,
        caption   = "Valores ausentes por variável (após tratamento)",
        col.names = c("Variável", "Nº de ausentes"),
        row.names = FALSE) |>
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
} else {
  cat("Nenhum valor ausente detectado.\n")
}

3.3.4 Processamento das colunas de habilidades

As colunas technical_skills e soft_skills contêm, em cada célula, uma lista de habilidades do funcionário. Para que possam ser usadas em análises numéricas, é necessário contar o número de habilidades de cada funcionário e adicionar essa contagem como uma nova coluna no dataset principal.

df$n_tech_skills <- sapply(df$technical_skills, length) # conta o número de habilidades técnicas por funcionário

df$n_soft_skills <- sapply(df$soft_skills, length) # conta o número de habilidades interpessoais por funcionário

# dataset expandido: uma linha por habilidade técnica
df_tech_skills <- df[, c("role", "job_level", "department",
                          "persona_name", "burnout_risk",
                          "left_company", "technical_skills")]
df_tech_skills <- tidyr::unnest(df_tech_skills, technical_skills)
names(df_tech_skills)[names(df_tech_skills) == "technical_skills"] <- "skill"
df_tech_skills$skill <- trimws(as.character(df_tech_skills$skill))

# dataset expandido: uma linha por habilidade interpessoal
df_soft_skills <- df[, c("role", "job_level", "department",
                          "persona_name", "burnout_risk",
                          "left_company", "soft_skills")]
df_soft_skills <- tidyr::unnest(df_soft_skills, soft_skills)
names(df_soft_skills)[names(df_soft_skills) == "soft_skills"] <- "skill"
df_soft_skills$skill <- trimws(as.character(df_soft_skills$skill))

3.3.5 Criação de variáveis derivadas

Criam-se novas variáveis a partir das existentes. Em especial, desenvolve-se um score composto baseado no modelo de desequilíbrio esforço-recompensa ilustrado por Siegrist (1996), que identifica a combinação de alta demanda e baixa recompensa como bases do esgotamento ocupacional. A operacionalização com pesos numéricos (0.4/0.3/0.3) é uma adaptação exploratória para as variáveis disponíveis no dataset, e não reproduz diretamente nenhuma fórmula original do autor.

High Effort (extrinsic: demands/obligations + intrinsic: need for control) <-> Low Reward (money + esteem + status control)

# 1. Faixa salarial
# Discretizar o salário para a comparação entre grupos de remuneração
df$faixa_salarial <- cut(
  df$salary,
  breaks = c(0, 50000, 80000, 120000, 200000, Inf),
  labels = c("< 50K", "50K-80K", "80K-120K", "120K-200K", "> 200K"),
  right  = FALSE
)

# 2. Tempo de empresa em anos
df$tenure_anos <- df$tenure_months / 12

# 3. Grupos de tenure (fases de carreira/estágios no trabalho)
# Comparação entre recém-contratados, médio prazo e veteranos
df$grupo_tenure <- cut(
  df$tenure_anos,
  breaks = c(0, 1, 3, 5, 10, Inf),
  labels = c("< 1 ano", "1-3 anos", "3-5 anos", "5-10 anos", "> 10 anos"),
  right  = FALSE
)

# 4. Índice de engajamento
# Média entre satisfação, colaboração e sentimento da equipe.
df$indice_engajamento <- (df$satisfaction_score +
                            df$collaboration_score +
                            df$team_sentiment) / 3

# 5. Score de desequilíbrio esforço-recompensa
# Baseado no modelo de Siegrist (1996): alta carga, horas extras e
# baixa satisfação.
# overtime_hours é dividido por 74 (máximo observado) para ficar
# na mesma escala 0-1 das demais variáveis.
df$score_desequilibrio <- (df$workload_score * 0.4) + # Carga de trabalho (peso 0.4) - recebe o maior peso por ser, no modelo, fator dominante de desequilíbrio
  (df$overtime_hours / max(df$overtime_hours, na.rm = TRUE) * 0.3) + #Horas extras (peso 0.3) - normalização min-max divide por 74 obter um número entre 0 e 1
  ((1 - df$satisfaction_score) * 0.3) #Insatisfação (peso 0.3)

# 6. Flag de alto risco de burnout (acima do percentil 75)
# Variável binária para identificar o quartil superior de risco
df$alto_risco_burnout <- df$burnout_risk >= quantile(df$burnout_risk, 0.75,
                                                      na.rm = TRUE)

# 7. Flag: saída associada ao burnout
# Funcionário que saiu E estava em alto risco
df$saida_por_burnout <- df$left_company & df$alto_risco_burnout

3.3.6 Remoção de colunas desnecessárias

As colunas de listas originais (technical_skills, soft_skills) já foram processadas, de modo que os contadores e datasets expandidos foram gerados. O employee_id não tem valor analítico. Ambos são removidos do dataset principal.

df$technical_skills <- NULL
df$soft_skills      <- NULL
df$employee_id      <- NULL

cat(sprintf("Dataset limpo final: %d linhas × %d colunas\n", nrow(df), ncol(df)))

## Dataset limpo final: 849999 linhas × 37 colunas

3.3.7 Verificação de duplicatas

n_dup <- sum(duplicated(df))
cat(sprintf("Registros duplicados: %d\n", n_dup))

## Registros duplicados: 0

if (n_dup > 0) {
  df <- unique(df)
  cat(sprintf("Após remoção: %d linhas\n", nrow(df)))
}

3.5.1 Distribuição das variáveis categóricas principais

risco_tab <- as.data.frame(table(df$risk_factors_summary)) # Distribuição por nível de risco de burnout
risco_tab$Pct <- round(risco_tab$Freq / sum(risco_tab$Freq) * 100, 1)
names(risco_tab) <- c("Nível de Risco", "N", "%")

kable(risco_tab,
      caption   = "Distribuição por nível de risco de burnout",
      row.names = FALSE) |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

persona_tab <- as.data.frame(table(df$persona_name)) # Distribuição por arquétipo comportamental
persona_tab <- persona_tab[order(-persona_tab$Freq), ]
persona_tab$Pct <- round(persona_tab$Freq / sum(persona_tab$Freq) * 100, 1)
names(persona_tab) <- c("Persona", "N", "%")

kable(persona_tab,
      caption   = "Distribuição por arquétipo comportamental (persona)",
      row.names = FALSE) |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)