1.1 O problema

O burnout se caracteriza como um fenômeno ocupacional de esgotamento profissional reconhecido pela Organização Mundial da Saúde (OMS) desde 2019, tornando-se um dos temas mais discutidos dentro da saúde organizacional (World Health Organization (2019)). Em especial desde a pandemia de COVID-19, que mudou significativamente os padrões de trabalho, as discussões sobre o burnout se tornaram cada vez mais relevantes no que diz respeito à retenção de talentos, considerando que pesquisas apontam que o burnout é um fator importante na intenção de funcionários deixarem os seus empregos (Trinkenreich et al. (2023)).

Segundo estimativas de um estudo de referência do Instituto Americano de Estresse, o estresse ocupacional custa às empresas norte-americanas mais de US$ 300 bilhões por ano em fatores como rotatividade e falta de desempenho (American Institute of Stress (2024)). No Brasil, o burnout foi reconhecido na portaria GM/MS Nº 1.999 como doença ocupacional em 2022, impondo responsabilidades legais crescentes às empresas (Brasil. Ministério da Saúde (2023)).

Tais questões levantam a seguinte pergunta de pesquisa:

Quais fatores organizacionais e individuais estão mais associados ao risco de burnout, e como eles se combinam para elevar a probabilidade de um funcionário deixar a empresa?

Responder a esta pergunta se torna relevante para: equipes e gestores de RH, que precisam identificar perfis de risco antes que o funcionário solicite demissão; executivos que necessitam entender quais departamentos e cargos concentram maior esgotamento; e pesquisadores interessados nos fatores comportamentais e organizacionais do burnout em larga escala.

1.2 Abordagem e metodologia

Para responder à pergunta de pesquisa, foram conduzidas duas etapas de análise.

Na primeira etapa, o Synthetic Employee Dataset, disponibilizado publicamente no Hugging Face com 850.000 perfis sintéticos de funcionários, foi importado, limpo e organizado. O dataset contém variáveis numéricas (scores de estresse, carga de trabalho, desempenho), categóricas (departamento, cargo, arquétipo comportamental), booleanas (saída da empresa) e textuais (feedbacks). A limpeza incluiu padronização de nomes, conversão de tipos, tratamento de valores ausentes, desaninhamento de listas de habilidades e criação de variáveis derivadas, entre elas, um índice de engajamento e um score de desequilíbrio esforço-recompensa inspirado no modelo de Siegrist (1996).

Na segunda etapa, apresentada neste documento, conduz-se a análise exploratória dos dados (EDA). Primeiro examina-se a distribuição global do burnout; em seguida investiga-se como ele varia entre departamentos, níveis de cargo e perfis comportamentais; depois explora-se a relação entre burnout e as variáveis de esforço (horas extras, carga de trabalho) e recompensa (salário, satisfação); e por fim constrói-se um perfil do funcionário em risco severo de saída por burnout. Os resultados são apresentados por meio de gráficos estáticos, tabelas interativas (pacote DT) e um gráfico interativo (pacote plotly).

3.1 Fonte e descrição

Os dados foram obtidos do repositório público do Hugging Face:

BrotherTony. (2025). Synthetic Employee Dataset: 800K+ Records for HR Analytics. Hugging Face. https://huggingface.co/datasets/BrotherTony/employee-burnout-turnover-prediction-800k

3.2 Importação dos dados

O dataset é distribuído no formato Parquet, um formato binário que preserva os tipos de cada coluna e ocupa muito menos espaço que um CSV equivalente. O pacote arrow permite ler arquivos Parquet diretamente de uma URL. O primeiro shard contém aproximadamente 95.000 registros com os 31 atributos originais. Nos primeiros testes, este arquivo foi importado. Contudo, para esta versão, importa-se o arquivo JSON com todos os registros disponibilizados na fonte (como citado acima, cerca de 850.000 observações).

url_parquet <- paste0(
  "https://huggingface.co/datasets/BrotherTony/",
  "employee-burnout-turnover-prediction-800k/",
  "resolve/refs%2Fconvert%2Fparquet/default/train/0000.parquet"
)

arquivo_local <- "0000.parquet"

if (!file.exists(arquivo_local)) {
  download.file(url_parquet, destfile = arquivo_local, mode = "wb")
}

#df_bruto <- read_parquet(arquivo_local) # Primeira possibilidade: importação de parte dos dados via Parquet

df_bruto <-fromJSON("synthetic-employee-dataset.json") # Importação completa dos dados

3.3 Etapas de limpeza e organização

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"

df$job_level <- factor(df$job_level,
                       levels  = c("Entry", "Mid", "Senior", "Manager", "Lead"),
                       ordered = TRUE)

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

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> <"REST APIs", "Python (Pandas, NumPy, …
## $ soft_skills                    <list> <"Communication", "Creativity", "Teamw…
## $ 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…

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")
}

df$n_tech_skills <- sapply(df$technical_skills, length)
df$n_soft_skills <- sapply(df$soft_skills, length)

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))

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))

# 1. Faixa salarial
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)
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 (inspirado em Siegrist, 1996)
df$score_desequilibrio <- (df$workload_score * 0.4) +
  (df$overtime_hours / max(df$overtime_hours, na.rm = TRUE) * 0.3) +
  ((1 - df$satisfaction_score) * 0.3)

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

# 7. Flag: saída associada ao burnout
df$saida_por_burnout <- df$left_company & df$alto_risco_burnout

# 8. Variável de nível de risco de burnout baseada no score contínuo
# A variável original risk_factors_summary assume apenas dois valores no dataset
# (Low Risk e Severe Burnout Risk), sem granularidade suficiente para análise.
# Cria-se aqui uma variável própria a partir de burnout_risk, um dado contínuo,
# dividida em quatro faixas.
df$burnout_level <- cut(
  df$burnout_risk,
  breaks = c(0, 0.3, 0.6, 0.8, 1.01),
  labels = c("Low", "Medium", "High", "Severe"),
  right  = FALSE,
  include.lowest = TRUE
)

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

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 × 38 colunas

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)))
}

3.4 Visão do dataset final

df[1:10, c("role", "job_level", "department", "tenure_anos",
            "stress_level", "burnout_risk", "satisfaction_score",
            "overtime_hours", "left_company",
            "risk_factors_summary", "burnout_level", "persona_name")] |>
  kable(caption = "Amostra do dataset limpo (10 primeiras observações)",
        digits = 3) |>
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                font_size = 11, full_width = TRUE) |>
  scroll_box(width = "100%", height = "380px")

3.5 Sumário das variáveis de interesse

vars_foco <- c("stress_level", "burnout_risk", "satisfaction_score",
               "workload_score", "overtime_hours",
               "indice_engajamento", "score_desequilibrio")

resumo <- data.frame(
  Variável      = vars_foco,
  Mínimo        = round(sapply(df[vars_foco], min,    na.rm = TRUE), 3),
  Mediana       = round(sapply(df[vars_foco], median, na.rm = TRUE), 3),
  Média         = round(sapply(df[vars_foco], mean,   na.rm = TRUE), 3),
  Máximo        = round(sapply(df[vars_foco], max,    na.rm = TRUE), 3),
  Desvio_Padrao = round(sapply(df[vars_foco], sd,     na.rm = TRUE), 3),
  Pct_Ausentes  = round(sapply(df[vars_foco],
                               function(x) mean(is.na(x)) * 100), 1),
  row.names     = NULL
)

kable(resumo,
      caption   = "Sumário estatístico das variáveis contínuas de interesse",
      col.names = c("Variável", "Mínimo", "Mediana", "Média",
                    "Máximo", "Desvio Padrão", "% Ausentes")) |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) |>
  column_spec(1, bold = TRUE, monospace = TRUE)

Destaques do sumário:

• O burnout_risk médio da amostra é 0.74 (escala 0–1).
• 28.5% dos funcionários saíram da empresa.
• Funcionários com nível de risco Severe representam 56.2% da amostra.
• O máximo de overtime_hours é 73.9535736h.

risco_tab <- as.data.frame(table(df$burnout_level))
risco_tab$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$persona_name))
persona_tab <- persona_tab[order(-persona_tab$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)

4.1 Distribuição geral do risco de burnout

Inicialmente, busca-se entender como o risco de burnout se distribui na população listada. Como a variável original risk_factors_summary assume apenas dois valores no dataset (Low Risk e Severe Burnout Risk), utiliza-se a variável derivada burnout_level, criada a partir do score contínuo burnout_risk com quatro faixas: Low (< 0.3), Medium (0.3–0.6), High (0.6–0.8) e Severe (≥ 0.8), que permite uma leitura mais específica do risco.

risco_dist <- as.data.frame(table(df$burnout_level)) # Contar e calcular proporções por categoria de risco
risco_dist$pct <- risco_dist$Freq / sum(risco_dist$Freq) * 100
risco_dist$label <- paste0(round(risco_dist$pct, 1), "%")
names(risco_dist)[1] <- "categoria"

cores_risco <- c("Low"    = "#2ecc71", #Paleta para os riscos
                 "Medium" = "#f39c12",
                 "High"   = "#e74c3c",
                 "Severe" = "#7b241c")

p1 <- ggplot(risco_dist, aes(x = categoria, y = pct, fill = categoria)) +
  geom_col(width = 0.55, alpha = 1) +
  geom_text(aes(label = label), vjust = -0.6, size = 4, fontface = "bold",
            color = COR_TEXTO) +
  scale_fill_manual(values = CORES_RISCO) +
  scale_y_continuous(limits = c(0, 75),
                     labels = function(x) paste0(x, "%")) +
  labs(title    = "Distribuição dos funcionários por nível de risco de burnout",
       subtitle = paste0("Total de ", format(nrow(df), big.mark = "."),
                         " funcionários analisados"),
       x        = NULL,
       y        = "Proporção (%)") +
  theme(legend.position = "none",
        axis.text.x     = element_text(face = "bold"))

print(p1)

As faixas Low e Medium concentram funcionários com burnout_risk abaixo de 0.6, enquanto High e Severe reúnem os casos de maior atenção. O dado mais relevante é que 67.7% dos funcionários estão em High ou Severe: ou seja, com risco de burnout acima de 0.6. Desses, 477.547 estão no nível mais crítico (Severe, burnout_risk ≥ 0.8), o que representa os casos de maior urgência de intervenção.

4.2 Burnout por nível hierárquico

Uma das perguntas mais práticas para gestores de RH pode ser traduzida em: o risco de burnout aumenta com o nível do cargo? O boxplot abaixo permite comparar a distribuição de burnout_risk entre os cinco níveis hierárquicos.

p2 <- ggplot(df, aes(x = job_level, y = burnout_risk, fill = job_level)) +
  geom_boxplot(outlier.size = 0.5, outlier.alpha = 0.25,
               outlier.color = COR_PRIMARIA, alpha = 0.85) +
  scale_fill_manual(values = c(
    "Entry"   = "#C8DDD9",
    "Mid"     = "#F2C14E",
    "Senior"  = "#E07B54",
    "Manager" = "#C0533A",
    "Lead"    = "#7B3F35"
  )) +
  labs(title    = "Risco de burnout por nível hierárquico",
       subtitle = "Cada caixa representa 50% central dos funcionários naquele nível",
       x        = "Nível hierárquico",
       y        = "Risco de Burnout (0–1)",
       fill     = "Nível") +
  theme(legend.position = "none")

print(p2)

# Tabela de médias por nível
nivel_resumo <- aggregate(burnout_risk ~ job_level, data = df, FUN = mean)
nivel_resumo$burnout_risk <- round(nivel_resumo$burnout_risk, 3)
nivel_resumo$n <- as.integer(table(df$job_level))
nivel_resumo$pct_alto_risco <- round(
  tapply(df$alto_risco_burnout, df$job_level, mean) * 100, 1)
names(nivel_resumo) <- c("Nível", "Burnout médio", "N", "% em alto risco")

kable(nivel_resumo,
      caption   = "Burnout médio e proporção em alto risco por nível hierárquico",
      row.names = FALSE) |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Contrariamente ao senso comum, os níveis hierárquicos superiores não concentram necessariamente o maior risco. Isso é coerente com a teoria de Siegrist: trabalhadores de entrada (Entry) podem enfrentar alta carga sem contrapartida adequada de estabilidade ou reconhecimento, enquanto líderes (Lead) têm maior controle sobre seu trabalho.

4.3 Os departamentos mais críticos

Qual departamento concentra os funcionários com maior risco? O gráfico abaixo apresenta os 15 departamentos com maior média de burnout, permitindo priorização de ações de RH.

# Calcular média por departamento e selecionar os 15 maiores
dept_media <- aggregate(burnout_risk ~ department, data = df, FUN = mean)
dept_media <- dept_media[order(-dept_media$burnout_risk), ]
dept_top15 <- dept_media[1:15, ]
dept_top15$department <- factor(dept_top15$department,
                                levels = rev(dept_top15$department))
dept_top15$burnout_risk <- round(dept_top15$burnout_risk, 3)

p3 <- ggplot(dept_top15, aes(x = department, y = burnout_risk, fill = burnout_risk)) +
  geom_col(alpha = 1) +
  geom_text(aes(label = burnout_risk), hjust = -0.15, size = 3,
            color = COR_TEXTO, fontface = "bold") +
  scale_fill_gradient(low = "#F2C14E", high = "#7B3F35") +
  coord_flip() +
  labs(title    = "Top 15 departamentos com maior risco de burnout",
       subtitle = "Média do score de burnout_risk por departamento",
       x        = NULL,
       y        = "Burnout médio",
       fill     = "Burnout") +
  theme(legend.position = "none") +
  scale_y_continuous(limits = c(0, 0.8))

print(p3)

A tabela interativa abaixo permite explorar todos os departamentos:

dept_completo <- aggregate(burnout_risk ~ department, data = df, FUN = mean)
dept_completo$n <- as.integer(table(df$department))
dept_completo$pct_saida <- round(
  tapply(df$left_company, df$department, mean, na.rm = TRUE) * 100, 1)
dept_completo$burnout_risk <- round(dept_completo$burnout_risk, 3)
dept_completo <- dept_completo[order(-dept_completo$burnout_risk), ]
names(dept_completo) <- c("Departamento", "Burnout médio", "N", "% que saiu")

datatable(dept_completo,
          caption  = "Risco de burnout e rotatividade por departamento",
          rownames = FALSE,
          options  = list(pageLength = 10, language = list(
            search      = "Buscar:",
            lengthMenu  = "Mostrar _MENU_ registros",
            info        = "Mostrando _START_–_END_ de _TOTAL_",
            paginate    = list(previous = "Anterior", `next` = "Próximo")
          ))) |>
  formatStyle("Burnout médio",
              background = styleColorBar(c(0, 1), "#f1948a"),
              backgroundSize = "100% 90%",
              backgroundRepeat = "no-repeat",
              backgroundPosition = "center")

4.4 A relação entre esforço, recompensa e burnout

Abaixo, busca-se verificar se o desequilíbrio entre esforço (carga e horas extras) e recompensa (satisfação e salário) está de fato associado ao risco de burnout. O gráfico interativo abaixo cruza o score_desequilibrio com o burnout_risk, colorido pelo nível de risco classificado:

set.seed(42)
df_amostra <- df[sample(nrow(df), 3000), ] #Amostra

p4 <- plot_ly(
  data   = df_amostra,
  x      = ~score_desequilibrio,
  y      = ~burnout_risk,
  color  = ~burnout_level,
  colors = c("Low" = "#8BBFB0", "Medium" = "#F2C14E",
             "High" = "#E07B54", "Severe" = "#7B3F35"),
  type   = "scatter",
  mode   = "markers",
  marker = list(size = 5, opacity = 0.6),
  text   = ~paste0("Departamento: ", department,
                   "<br>Cargo: ", role,
                   "<br>Nível: ", job_level,
                   "<br>Desequilíbrio: ", round(score_desequilibrio, 2),
                   "<br>Burnout risk: ", round(burnout_risk, 2)),
  hoverinfo = "text"
) |>
  layout(
    title  = list(text = "Desequilíbrio esforço-recompensa vs. risco de burnout",
                  font = list(size = 14)),
    xaxis  = list(title = "Score de desequilíbrio (0–1)"),
    yaxis  = list(title = "Risco de burnout (0–1)"),
    legend = list(title = list(text = "Nível de risco"))
  )

p4

Os pontos classificados como Severe (vermelho escuro) concentram-se no quadrante superior direito. Nota-se que, quanto maior o risco de burnout, maior a probabilidade de cair em extremo ou em mínimo desequilíbrio, de acordo com os dados. As observações mais equilibradas são aquelas que apresentam menor risco de burnout, estando mais próximos da mediana dos valores de desequilíbrio. Passe o cursor sobre os pontos para identificar departamento, cargo e nível de cada funcionário.

4.5 Horas extras e burnout

O boxplot abaixo revela a distribuição: mediana, intervalo central e valores extremos em cada faixa de jornada extra.

df$faixa_overtime <- cut( # Criar faixas de horas extras
  df$overtime_hours,
  breaks = c(-Inf, 0, 15, 30, 50, Inf),
  labels = c("Sem extras", "1–15h", "16–30h", "31–50h", "> 50h")
)


n_faixas <- table(df$faixa_overtime) # Calcular N por faixa

p5 <- ggplot(df, aes(x = faixa_overtime, y = burnout_risk, fill = faixa_overtime)) +
  geom_boxplot(outlier.size  = 0.4,
               outlier.alpha = 0.2,
               alpha         = 0.9,
               width         = 0.55) +
  stat_summary(fun = mean, geom = "point",
               shape = 23, size = 3, fill = "white", color = COR_TEXTO) +
  scale_fill_manual(values = c("Sem extras" = "#8BBFB0",
                               "1\u201315h"  = "#F2C14E",
                               "16\u201330h" = "#E07B54",
                               "31\u201350h" = "#C0533A",
                               "> 50h"      = "#7B3F35")) +
  labs(title    = "Distribuição do risco de burnout por faixa de horas extras",
       subtitle = "Losango branco = média; linha central = mediana",
       x        = "Horas extras semanais",
       y        = "Risco de Burnout (0–1)") +
  theme(legend.position = "none")

print(p5)

overtime_tab <- data.frame(
  Faixa        = levels(df$faixa_overtime),
  N            = as.integer(n_faixas),
  Mediana      = round(tapply(df$burnout_risk, df$faixa_overtime,
                               median, na.rm = TRUE), 3),
  Media        = round(tapply(df$burnout_risk, df$faixa_overtime,
                               mean, na.rm = TRUE), 3),
  Pct_alto     = round(tapply(df$alto_risco_burnout, df$faixa_overtime,
                               mean, na.rm = TRUE) * 100, 1),
  row.names    = NULL
)
names(overtime_tab) <- c("Faixa de horas extras", "N",
                         "Burnout mediano", "Burnout médio", "% em alto risco")

kable(overtime_tab,
      caption   = "Risco de burnout por faixa de horas extras",
      row.names = FALSE) |>
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

O boxplot revela que, a partir da ocorrência de horas extras, ocorre uma concentração maior de observações em níveis maiores de burnout, mantendo-se, contudo, de modo visualmente equilibrado a partir das 15h extras de trabalhp

5.1 O problema abordado

Este projeto investigou quais fatores organizacionais e individuais estão mais associados ao risco de burnout em ambientes de trabalho e como eles elevam a probabilidade de um funcionário deixar a empresa, uma questão com implicações diretas para a saúde ocupacional e para os custos organizacionais.

5.2 Como o problema foi abordado

Utilizou-se o Synthetic Employee Dataset (BrotherTony, 2025), com ~850.000 registros e 31 variáveis. Após importação via arquivo limpeza dos dados, conduziu-se uma análise exploratória organizada em quatro eixos: distribuição global do risco, variação por cargo e departamento e relação com esforço e recompensa.

5.3 Observações

Inicialmente, observa-se que o Burnout não respeita a hierarquia de modo linear. O risco é distribuído de maneira similar entre os níveis Entry a Lead, sugerindo que fatores de cargo específico (carga, autonomia, reconhecimento) importam mais que o nível em si. Com relação aos departamentos, os 15 com maior burnout médio apresentam scores expressivamente acima da média geral, indicando que contextos organizacionais específicos amplificam o risco. Em adição, o desequilíbrio esforço-recompensa pode se mostrar um preditor consistente, dado que a correlação entre score_desequilibrio e burnout_risk foi visível mesmo numa amostra aleatória de 3.000 pontos. Com respeito às horas extras dos funcionários, por fim,a distribuição de burnout sobe em mediana e em variabilidade à medida que a jornada extra aumenta, com os funcionários acima de 50h semanais concentrando grandes valores de risco.

5.4 Implicações

Os departamentos identificados como críticos e o limiar de horas extras podem ser levados como pontos de partida para intervenções focadas: monitoramento de carga, programas de suporte e revisão de remuneração nos grupos de alto risco. Já no âmbito executivo, a análise demonstra que burnout não é problema individual, mas organizacional. Departamentos específicos concentram risco, e a estrutura de esforço e recompensa (não apenas o salário) determina quem fica e quem sai. Em termos de peqsuisa, o score de desequilíbrio composto (inspirado em Siegrist, 1996) mostrou-se um possível preditor analítico útil quando outros dados diretos de escalas psicométricas não estão disponíveis.

5.5 Limitações e possíveis extensões

1. Os dados são sintéticos, com base em distribuições reais, mas não representam nenhuma organização específica. Os padrões encontrados não devem ser generalizados sem validação em dados reais.
2. O dataset não permite analisar a evolução do burnout ao longo do tempo. Um dataset temporal/longitudinal permitiria identificar trajetórias de risco e pontos de intervenção com maior precisão.
3. Os pesos 0.4/0.3/0.3, pensados para o score de desequilíbrio, são arbitrários. Uma extensão natural seria estimar os pesos por regressão ou análise de componentes principais, tornando o score mais robusto.
4. A coluna recent_feedback contém texto livre que não foi explorado. Uma análise de sentimentos sobre esses textos poderia ser de grande valor para enriquecer os achados qualitativos.