resultados de investigação da avaliação de potencial e perfil (app) em profissionais...

RESEARCH RESULTS OF THE POTENTIAL AND PROFILE ASSESSMENT (PPA) IN BRAZILIAN PROFESSIONALS WITH USE OF DATA MINING Leandro Libério da Silva (University of Aveiro, University of Porto �– Portugal) [email protected] Heitor Garcia de Carvalho (CEFET Minas Gerais �– Brazil) [email protected] George Leal Jamil (FEA/Universidade Fumec �– Brazil) [email protected] Clustering algorithms were used for knowledge discovery in databases (KDD) from the exploratory research with the open source tool called Waikato Environment for Knowledge Analysis (WEKA). The objective was to investigate the profile of Brazilian professionals based on the results of the Potential and Profile Assessment (PPA). The PPA, self-assessment to map twenty factors professionals and behavioral, was used in thousands of Brazilian professionals since 1979. This instrument is a Brazilian version developed by psychologist Maria Lucia Rodrigues Corrêa that was based on the inventory built in the sixties by Dr Max Kostick, of State College of Boston. It generated a significant sample from the analytical database of 8832 results produced between the years 2000 to 2010. The results supported the data previously elicit implicit knowledge about four groups of respondents. Indicated three factors with the greatest interest of discrimination against the full data set. In conclusion, besides these differences, the similarities of the other factors were also confronted with the theoretical premises of the PPA, in order to define potential characteristics self-perceived by Brazilian respondents about their behavior in work relations. Keywords: Self-assessment. Assessment potential and profile. Custering. Knowledge discovery. Data mining.

1988

8º CONTECSI - International Conference on Information Systems and Technology Management

TECSI - Laboratório de Tecnologia e Sistemas de Informação FEA USP - www.tecsi.fea.usp.br

Resultados de Investigação da Avaliação de Potencial e Perfil (APP) em Profissionais Brasileiros, com Uso de Data Mining

RESUMO

Utilizaram-se algoritmos de clusterização para descoberta de conhecimento em base de dados (KDD) a partir de investigação exploratória com a ferramenta open source Waikato Environment for Knowledge Analysis (WEKA). O objetivo do trabalho foi investigar o perfil de profissionais brasileiros com base nos resultados da Avaliação de Potencial e Perfil (APP). A APP, autoavaliação para mapear vinte fatores profissionais e comportamentais, foi utilizada em milhares de profissionais brasileiros desde 1979. Este instrumento é uma versão brasileira desenvolvida pela psicóloga Maria Lúcia Rodrigues Corrêa, baseada no inventário construído na década de sessenta, pelo Dr. Max Kostick, do State College of Boston. Foi gerada uma amostra significativa a partir da base de dados analítica de 8.832 resultados produzidos entre os anos de 2000 a 2010. Os resultados apoiados nos dados elicitaram conhecimento anteriormente implícito sobre quatro grupos de respondentes. Foram indicados três fatores com maior interesse de discriminação em relação ao conjunto de dados completo. Para conclusões, além dessas diferenças, as similaridades dos demais fatores também foram confrontadas com as premissas teóricas da APP, a fim de definir potenciais características autopercebidas dos respondentes brasileiros quanto ao seu comportamento nas relações de trabalho. Palavras-chave: Autoavaliação. Avaliação de potencial e perfil. Clusterização. Descoberta de conhecimento. Mineração de dados. 1 INTRODUÇÃO Com a descoberta de conhecimento em base de dados, ou, em inglês, Knowledge Discovery in Databases (KDD), pretende-se encontrar percepções distintas dos métodos mais tradicionais, ao descobrir �“novos�” padrões: relacionamentos atualmente ocultados por grandes volumes de dados. Para Goldschimidt e Passos (2005), a técnica de data mining (DM), ou, em português, mineração ou garimpagem de dados, é uma etapa do KDD que auxilia, de forma automatizada, a tarefa humana do tratamento de grandes volumes de dados, com operações sofisticadas, tais como o uso de redes neurais, algoritmos genéticos e de lógica difusa (fuzzy). No contexto da Sociedade da Informação, as organizações têm se apresentado com estruturas cada vez mais horizontais, progressivamente gerando redes de trabalho (CASTELLS, 2000). Essas redes exigem um novo estilo profissional, capaz de tomar decisões, de usar e aplicar intensivamente informação e

1989



conhecimento, além de colaborar com as mudanças (flexibilidade) e estratégias organizacionais. Em função disso, os indivíduos passam a ter um importante papel e a assumir a responsabilidade por seu desenvolvimento contínuo. Assim, percebe-se que o capital humano das empresas é dotado de habilidades, conhecimentos, atitudes e objetivos pessoais, tornando a formação geral do indivíduo uma estratégia organizacional, de acordo com Fleury (2002). O investimento em desenvolvimento seria o meio mais utilizado no processo de aprendizagem e disseminação de novas competências. Atualmente, o estudo e o uso de instrumentos de diagnóstico e gestão providos pela área de psicologia organizacional (SIQUEIRA, 2008) têm sido muito demandados pelos gestores de pessoas. Estes estudos tiveram seus primeiros trabalhos desenvolvidos na Inglaterra e Estados Unidos, ainda na década de sessenta. A Avaliação de Potencial e Perfil (APP) é um recurso de autoavaliação que pontua, com escores de zero a dez, 20 fatores profissionais e comportamentais do indivíduo. Conforme (CORRÊA, 2009), esse diagnóstico usa um formulário de resposta forçada, composto de 100 pares de frases, apoiado na base teórica de um inventário desenvolvido, na década de 60, pelo psicólogo Dr. Max Kostick. No Brasil, esses estudos datam da década de setenta e, segundo APP (2003), os gestores de pessoas utilizam essas ferramentas para auxiliar a tomada de decisão em processos de recrutamento e seleção, treinamento e desenvolvimento de equipes, acompanhamento profissional (coaching), entre outras atividades ligadas à área de Recursos Humanos (RH). A aplicação desse instrumento por CORRÊA (2009), em milhares de profissionais, propiciou a geração de um banco de dados eletrônico de uma amostra genuinamente brasileira, composta de 8.832 relatórios individuais, coletada no período compreendido entre os anos de 2000 e 2010. Um modelo a ser utilizado é o autodiagnóstico da APP, cujo conjunto de dados é muito volumoso para uma análise de padrões de similaridade e, ou, diferenciação por processos convencionais. Isso torna complexa a obtenção de subsídios de tomada de decisão, por meio dos dados da APP, armazenados ao longo do tempo. Uma alternativa seria avaliar a aplicação do processo de KDD como recurso para tratamento das massas de dados e para evidenciar informações relevantes às tomadas de decisão que estejam implícitas ou pouco destacadas. Essa proposição sugere as seguintes questões norteadoras dessa pesquisa: que informações relevantes e, atualmente, implícitas, estão disponíveis na base de resultados da APP? Além disso, que perfil profissional é autopercebido pelos seus respondentes?

1990



A escassez de relatos de pesquisa, que utilizam técnicas de data mining em dados coletados a partir de instrumentos de autopercepção das características profissionais, é uma das principais razões de se empreender o presente trabalho. Torna-se relevante que os gestores e colaboradores da empresa sejam capazes de praticar sua autoavaliação visando tanto ao seu crescimento individual quanto ao do seu grupo e da sociedade, com a obtenção de novas referências (inputs) para tal desenvolvimento. A APP foi escolhida por ser um instrumento que avalia vinte fatores profissionais e comportamentais, utilizado por diversas organizações em todo o Brasil, e que possibilita a análise de diversos aspectos inerentes ao desenvolvimento de pessoas. Além disso, essa ferramenta possui uma base de dados bruta, em formato digital, com histórico dos últimos dez anos. Jamil (2005) ressalta que a gestão da informação e do conhecimento não são um mero �“modismo�”, mas um campo aberto à pesquisa interdisciplinar, permitindo a contribuição de várias correntes e formas de pensamento, tais como a administração e ciência da computação.

O objetivo geral desta pesquisa foi de investigar o perfil dos profissionais brasileiros com base nos resultados da Avaliação de Potencial e Perfil (APP), por meio do aprofundamento nos estudos do processo de descoberta de conhecimento em bases de diagnóstico de desenvolvimento de pessoas. 2 REFERENCIAL TEÓRICO Neste capítulo, são apresentados os principais conceitos para fundamentar o objetivo deste estudo, à luz da literatura das ciências sociais e das ciências exatas. A revisão bibliográfica descreve o processo de Descoberta de Conhecimento em Base de Dados (KDD), tal como utilizado na análise e auxílio de tomadas de decisão em diversas áreas. Após a descrição do processo de KDD, são apresentadas a base teórica e origem do instrumento de autoavaliação e as características da Avaliação de Potencial e Perfil.

2.1 Descoberta de Conhecimento em Base de Dados O desenvolvimento das TICs propiciou às organizações diversas ferramentas e mecanismos de coleta e armazenamento de dados. Os sistemas gerenciadores de banco de dados (SGBDs) têm sido utilizados amplamente por empresas e

1991



universidades que pretendem organizar e se desenvolver em suas áreas de atuação. Motivadas pela busca constante por inovação e sobrevivência, aprofundam suas pesquisas e interligam o seu conhecimento tecnológico às técnicas de tratamento desses dados armazenados (TAN; STEINBACH; KUMAR, 2009). Daí parte o empreendimento de esforços para se implementar o processo de Descoberta de Conhecimento em Bases de Dados. Para (FAYYAD et al., 1996, p. 6), KDD é por definição �“um processo não-trivial, interativo e iterativo de identificação de padrões de dados novos e válidos, com potencial de utilidade e compreensão�”. É importante clarificar as ambiguidades entre os termos dados, informação e conhecimento no processo de KDD, bem como a abordagem �“técnica�” do conceito de conhecimento frente à literatura da Ciência da Computação. A FIG. 1 demonstra uma hierarquia entre os termos para facilitar o seu entendimento na computação.

FIGURA 1 �– Exemplo da hierarquia entre dado, informação e conhecimento no processo de KDD. Fonte: GOLDSCHIMIT; PASSOS, 2005. Em seu exemplo, Goldschimit e Passos (2005) apresentam os dados como elementos coletados e armazenados em sua forma bruta, tais como os valores da renda e despesas mensais de clientes de uma aplicação financeira suportada pelas TICs. No mesmo exemplo, a informação (�“capacidade mensal de endividamento�”) estaria no nível intermediário, onde os dados seriam associados a significados. Essa informação, nessa aplicação financeira (contexto), serviria para indicar quanto um cliente poderia tomar emprestado em relação à sua renda do mês. No topo da pirâmide, a expressão com �“SE�” e �“ENTÃO�”, existente na FIG. 1, seria a representação de um conhecimento, do ponto de vista da computação, que é a indicação de um padrão ou conjunto de padrões cuja formulação seria avaliada pelo usuário da aplicação, por meio da relação entre os dados e a informação.

1992



Sobre essa formação de conhecimento com uso de ferramentas das TICs, Jamil (2005, p. 115) afirma que �“tal objetivo seria conseguido em função do uso consciente de seus produtos, interpretação da parte de usuários sensibilizados para seu uso e de sua disseminação pela companhia, contexto que em muito excede os preceitos técnicos�”. O processo de KDD, numa visão de alto nível, evidencia três grandes etapas operacionais em seu desenvolvimento. São elas: a etapa de pré-processamento, a mineração de dados e a etapa de pós-processamento (GOLDSCHIMIT; PASSOS, 2005). Cios et al. (2007) incrementam as etapas do KDD citadas anteriormente, propondo um modelo híbrido entre a visão acadêmica, atribuída a Fayyad et al. (1996), com o modelo de KDD da indústria, descrevendo os seis passos seguintes:

1. Entendimento do domínio do problema; 2. Entendimento dos dados; 3. Preparação dos dados; 4. Mineração de dados; 5. Avaliação da descoberta de conhecimento; 6. Uso do conhecimento descoberto.

A importância do DM se deve ao fato de que é nesta etapa que ocorre efetivamente a busca de conhecimento nos dados pré-processados, por meio de algoritmos, que implementam os paradigmas de uma determinada técnica de exploração de dados. Os autores Tan, Steinbach e Kumar (2009) dividem a tarefa de mineração de dados em duas categorias principais: Previsão e Descritiva. E, como o próprio nome da categoria indica, o objetivo da primeira é prever o valor de um atributo com base em outro conjunto de valores. A segunda categoria, Tarefa Descritiva, busca derivar padrões para evidenciar os relacionamentos entre os dados. As Tarefas Descritivas requerem, além do pré-processamento, técnicas de pós-processamento para explicar os dados, principalmente quando sua natureza tem cunho exploratório. A derivação de padrões, originada das Tarefas Descritivas, pode usar uma ou mais técnicas de exploração de dados. Dentre elas, há uma que identifica características comuns de um determinado agrupamento de dados (GOLDSCHIMIDT; PASSOS, 2005). Por ser o objetivo dessa implementação a tarefa de encontrar clusters (grupos), essa técnica é conhecida como clusterização (acepção de clustering), sendo usadas também denominações como agrupamento, segmentação ou agregação.

1993



2.1.1 Algoritmo K-means

O algoritmo K-means é um método popular da tarefa de clusterização. Tan, Steinbach e Kumar (2009) explicam que nesse processo, se determinam, aleatoriamente, os valores dos elementos centrais (centróides) do cluster a partir de k pontos de dados numéricos; o valor de k é atribuído pelo próprio usuário e determina o número de agrupamentos que se deseja identificar. Depois, cada registro do banco de dados (ponto) é atribuído ao cluster, cuja distância entre os pontos, em relação ao centróide, é a menor entre todas as distâncias calculadas. Dá-se, aí, a composição de um grupo, determinada pela quantidade de registros (coleção de pontos) atribuída a um centróide. (GOLDSCHIMIDT; PASSOS, 2005).

Este processo é repetido até que os centróides parem de se modificar ou até que algum elemento mude de cluster. A este movimento de definição de centróides e de atribuição de pontos (registros) dá se o nome de iteração. Conforme Tan, Steinbach e Kumar (2009), o valor máximo de iterações é especificado, também, pelo usuário, para indicar o término do processo, caso as condições normais de finalização não sejam alcançadas. Os fluxos da FIG. 2, a seguir, representam visualmente os passos utilizados pelo algoritmo K-means.

FIGURA 2 �– Fluxograma do algoritmo K-means Fonte: Adaptado de Goldschimit e Passos (2005).

Cios et al. (2007) explicam que uma estratégia importante, para o uso da distância euclidiana no K-means, seria o uso de entradas binárias dos dados (pré-processamento). Assim, o algoritmo pode representar os padrões que desejam

1994



ser encontrados no cluster, onde 1 indica a presença de padrão; e 0, a ausência do mesmo. Os valores da matriz dos clusters que deram origem à FIG. 3 foram: { 1, 0, 0, 1, 0, 1, 0, 1 } { 0, 1, 1, 0, 0, 0, 0, 0 } { 0, 0, 0, 0, 1, 0, 1, 0 } ou seja, o cluster 1 tem o conjunto de padrões nas posições {1, 4, 6, 8}. O segundo conjunto de padrões envolve {2, 3} e o terceiro é dado por {5, 7}. A FIG. 3, a seguir, apresenta graficamente o exemplo do resultado de três clusters:

FIGURA 3 �– Esquema estrela como representação gráfica do particionamento de três clusters Fonte: CIOS et al.,2007.

2.1.2 Ferramenta WEKA Para implementar a técnica de clusterização no processo de descoberta de conhecimento, na base de resultados da APP, foi necessária a utilização de uma ferramenta de DM. O software utilizado foi o Waikato Environment for Knowledge Analysis (WEKA), conjunto de algoritmos e programas produzido pela Universidade de Waikato, na Nova Zelândia. A ferramenta de data mining WEKA (2009) implementa vários algoritmos de clusterização, tais como: Expectation Maximinization (EM), DBScan, XMeans, SimpleKMeans e OPTICS, entre outros. Outra característica deste software é ser um ambiente completo de desenvolvimento, possibilitando executar todas as etapas do KDD com disponibilidade de vários algoritmos de DM. O WEKA é um software open source desenvolvido em plataforma Java que permite sua portabilidade para os ambientes Linux, MAC e Windows (WEKA,

1995



2009). Atualmente, prefere-se sua versão 3.6 (utilizada neste trabalho), por ser classificada como estável em relação a bugs de sistema. 2.2 Avaliação de Potencial e Perfil A Avaliação de Potencial e Perfil, ou simplesmente APP, é o nome da versão brasileira do Inventário de Personalidade e Preferências (PAPI), adaptado e desenvolvido no Brasil por Corrêa (2009).

Segundo APP(2003) este diagnóstico é um instrumento registrado sob o número 00820009494 no Instituto Nacional de Propriedade Industrial (INPI) no ano de 1997, renovado em 2009. Pelo histórico de administração do instrumento no Brasil, a APP é utilizada para mapear o perfil dos indivíduos e da equipe de uma empresa. Serve como ferramenta de apoio às tomadas de decisão, para gestores e profissionais de RH, quanto aos processos de desenvolvimento e avaliação de pessoas, sendo destinada a todos os colaboradores, independente de cargo (CORRÊA, 2009). Dessa forma, a APP não visa a atuar como teste psicológico, mas como: (a) instrumento de coleta de dados para programas de educação; e (b) referência de análise intrapessoal para planos de desenvolvimento. Originada da versão ipsativa do PAPI, a APP herdou as características do formato, tais como: (a) autoavaliativa, (b) questionário de itens de escolha forçada, (c) apresentação dos itens em pares e (d) multidimensionalidade, que permite sua grande abrangência e a redução de falseamento dos resultados pelos indivíduos. A multidimensionalidade da ferramenta é originada por 20 fatores que são listados no QUADRO 1. A definição de cada dimensão pode ser consultada em APP (2010c)1.

QUADRO 1 Fatores da Avaliação de Potencial e Perfil (APP)

Fatores profissionais Fatores comportamentais

Planejamento Flexibilidade/ criatividade

Organização Relação com autoridade

Acompanhamento Administração de conflitos

Liderança Controle emocional

Comunicação Adaptabilidade a mudanças

1 <http://www.appweb.com.br/competencia.php>. Acesso em: 20 jul. 2010.

1996



Decisão Afetividade

Detalhismo/ delegação Autoimagem

Tempo de execução Sociabilidade

Intensidade operacional Energia vital

Percepção/ priorização Realização

Fonte: Adaptado de APP (2003). O processo de adaptação do inventário para o perfil do profissional brasileiro contemplou: (a) tradução das sentenças, (b) adequação dos nomes e conceitos das dimensões, (c) escrita e atualização dos textos de avaliação e (d) inclusão de 10 pares de declarações totalizando 200 itens. As escalas dos fatores profissionais medem a percepção do indivíduo no ambiente de trabalho. Nos fatores comportamentais, as escalas medem as tendências profundas inerentes às necessidades dos indivíduos (CORRÊA, 2009). O QUADRO 2, a seguir, ilustra as relações entre as sentenças e os fatores da APP:

QUADRO 2

Exemplo da relação Item e Fator da Avaliação de Potencial e Perfil (APP)

Opções Item Fator

1ª Dizem que sou inflexível. Flexibilidade/ criatividade

2ª Gosto de atuar em equipe. Sociabilidade Fonte: Adaptado de APP (2010b).

Onde, cada dimensão está diretamente vinculada a 10 itens de escolha, o que permite a contabilizar um escore de 0 a 10 pontos como regra de mensuração. As sentenças traduzidas que compõe o inventário da APP estão disponíveis em APP (2010b)2.

2.2.1 Administração do instrumento Acompanhando os avanços das TICs, há três opções para que o instrumento possa ser respondido. Eletronicamente, a primeira opção é o indivíduo (respondente) acessar e responder a versão on-line do inventário, por meio do site <http://www.appweb.com.br> acesso em: 8 dez. 2009.

2 <http://www.appweb.com.br/APP_Formulario_de_Respostas.pdf>. Acesso em: 20 jun. 2010.

1997



Outra opção via computador é o indivíduo receber um arquivo com extensão �“DOC"3, que é respondido e encaminhado para a correção por e-mail, por exemplo. Por fim, a última opção de administração da APP é o formato �“papel e lápis�”, com disponibilização de uma versão impressa ao respondente (APP, 2010b).

2.2.2 Relatórios de devolutiva

Com base no gabarito de respostas, on-line ou impresso, o resultado é gerado a partir da inserção do respectivo registro no software da APP que, por sua vez, é confrontado com a chave de correção (scoring key) armazenada no banco de dados do sistema, evitando assim, uma possível falha humana no processamento do relatório de devolutiva. Esses relatórios de devolutiva são apresentados em três versões distintas, sendo as duas primeiras para avaliação individual e, a terceira versão, quando se deseja realizar uma análise do grupo. Os modelos dessas versões podem ser consultados em APP (2010). A FIG. 4 ilustra a versão coaching da APP, que segue fielmente seu original (inventário PAPI):

FIGURA 4 �– Recorte do exemplo de relatório individual �– versão coaching �– com 3 fatores da APP. Fonte: APP, 2010. O relatório de devolutiva individual (FIG. 4) tem seus fatores numerados e listados na coluna �“Critério�”; a coluna �“Nota�” pontua o escore correspondente ao fator; e a coluna �“Avaliação�” apresenta um texto que descreve o comportamento do profissional em conformidade com a �“Nota�”, no respectivo �“Critério�”.

3 Formato de arquivo de documentos, por isso a simplificação DOC, amplamente utilizado pelos principais programas de edição de texto.

1998



Esses textos avaliativos foram produzidos por Corrêa (2009) e podem ser atualizados dentro da base dados do sistema, quando julgar pertinente. Por exemplo, a partir de um volume de determinados feedbacks dos respondentes, percebidos durante as reuniões devolutivas. Note-se que, visualmente, a versão coaching (FIG. 4) possui uma régua de 0 a 10 logo abaixo de cada nome de �“Critério�”. Os valores sublinhados determinam os escores de potencial ideal para o perfil avaliado pela APP. As notas da versão coaching são atribuídas para cada um dos fatores, da mesma forma que o PAPI, pela quantidade de itens selecionados pelo respondente. Por exemplo, o indivíduo que tirou nota 4 em Planejamento foi porque selecionou 4 sentenças associadas a esse fator da APP. Todos os indivíduos, sem exceção, pela escala ipsativa, totalizam um escore geral de 100 pontos e, consequentemente, escore médio de 5 pontos. Dessa forma, a leitura que pode ser feita do indivíduo, com base na versão coaching (FIG. 4 e FIG. 5), é que o mesmo atingiu a média no critério �“Planejamento�” com a nota 4, pois os valores ideais são 4, 5 e 6 (hachura na FIG. 5) para esta dimensão.

FIGURA 5 �– Gráfico de frequência do exemplo de relatório individual �– versão coaching Fonte: Adaptado de APP (2010).

1999



Para facilitar a interpretação do relatório por um leigo, o relatório individual, versão coaching, possui um gráfico de barras na �“base 10�” (APP, 2010), conforme a FIG. 6 a seguir. A �“base 10�” propõe ser mais amigável ao converter os escores da versão coaching para uma pontuação de 0 a 10 fixa �– onde 0 é a nota mais baixa e 10 é a nota mais alta para todos os fatores. Na FIG. 6, é indicada a média 7 (arbitrária) como ideal para todos os fatores. Dessa forma torna-se mais intuitiva a compreensão dos fatores ideais; facilitando uma comunicação via e-mail, por exemplo.

FIGURA 6 �– Gráfico de barras do exemplo de relatório individual Fonte: Adaptado de APP (2010).

2000



Conforme o QUADRO 3, a versão �“base 10�” utiliza o escore da versão coaching para definir sua pontuação numa redefinição de ranking, com base na experiência empírica de Corrêa (2009).

QUADRO 3 Matriz de conversão das notas da APP do fator Planejamento da versão

coaching para base 10 Versão Coaching 0 1 2 3 4 5 6 7 8 9 10

Versão �“base 10�” 1 3 5 6 9 10 10 8 6 3 1 Fonte: Elaborado pelo autor a partir da base de dados de interpretação dos resultados individuais da APP.

3 METODOLOGIA

3.1 Abordagem metodológica Nesta pesquisa optou-se por um estudo descritivo qualitativo. Para Malhotra (2001) pesquisa qualitativa é uma metodologia não estruturada e de natureza exploratória, que provê critérios e compreensão do cenário do problema. Neves (1996, p. 1) explica que a expressão �“pesquisa qualitativa�”, no campo das Ciências Sociais, pode compreender um conjunto de técnicas interpretativas que tem por objetivo traduzir e expressar o sentido dos fenômenos do mundo social. Os componentes descritivos são encontrados nos demais tipos de pesquisa e têm a finalidade de descrever, sistematicamente, um determinado conjunto de dados ou área de interesse (GRESSLER, 2004). Sob a perspectiva descritiva, buscou-se o entendimento dos fatos e características presentes na amostra e no instrumento da APP. Esta abordagem descritiva qualitativa foi aprofundada com uso de técnicas exploratórias de data mining. Conforme abordado no referencial teórico deste trabalho, utiliza-se o processo de KDD como técnica de identificação de informações e relacionamentos relevantes entre os dados possibilitando, a partir de etapas pré-definidas, a descrição dos conjuntos de registros do banco de dados da APP. Decidiu-se por esta abordagem tendo em vista o seu potencial na pesquisa social e pelo forte lastro de sua aplicação prática. Nas próximas seções são descritas a amostra e os procedimentos desta pesquisa, bem como, são apresentadas as estratégias adotadas durante a mineração dos dados.

2001



3.2 Objeto de pesquisa

O objeto deste estudo é composto pelo instrumento e pelo conjunto de dados da amostra brasileira. Decidiu-se por utilizar uma base de dados analítica de respondentes da APP que estivesse digitalizada, excluindo os registros com base nos seguintes critérios: (1) utilizar apenas os registros dos indivíduos com mais de 17 anos e com idade igual ou menor a 60 anos, tendo em vista o objetivo do trabalho em avaliar a pessoa no contexto do trabalho e a dificuldade de se determinar se o indivíduo, nesses casos extremos, estava ocupando algum posto de trabalho; (2) considerar o período de respostas compreendido entre os anos de 2000 e 2010; (3) aceitar somente os registros de origem brasileira, pois houve casos em que cidadãos portugueses responderam a autoavaliação; e (4) contemplar toda a amostra, independente da posição funcional do indivíduo. 3.3 Coleta de dados da APP

A base de dados da amostra não-probabilística foi alimentada pelos diversos formatos de administração do instrumento. Do total de 8.832 registros, 2.819 (32%) foram registros da base de dados do inventário on-line (base MySQL), ou seja, as respostas foram inseridas pelos próprios respondentes via internet. O restante dos registros (68%) foi cadastrado no software aplicativo (base Paradox) da APP por meio de consultas às respostas em arquivos �“DOC�”, ou, impressas recolhidas em administrações de �“papel e lápis�”. Vale ressaltar duas especificidades: (1) como o atributo �“Cargo�” não é um campo obrigatório e é de digitação livre, os cargos não identificados ou em branco foram classificados como �“Outro�”. (2) os respondentes se autoavaliaram em circunstâncias reais do seu cotidiano profissional ou educacional. 3.4 Sujeitos

Os dados coletados foram obtidos a partir das respostas de profissionais de diversas empresas posicionadas nos seguintes segmentos: transporte, tecnologia da informação, indústria, educação, mineração, telecomunicações, hospitalar, químico e construção civil, entre outras (APP, 2003). O universo de respondentes também foi composto de indivíduos em processo educacional a partir de coletas realizadas por Corrêa (2009), sendo uma amostra genuinamente brasileira, abrangendo todas as regiões do país.

2002



3.5 Procedimentos Este estudo inicialmente contemplou o levantamento da bibliografia relacionada à pesquisa, onde se pode conhecer e aprimorar os conhecimentos sobre a abordagem analítica do processo de KDD.

Quanto aos passos para a realização da pesquisa e os procedimentos de cunho metodológico que foram contemplados, adotaram-se as seguintes etapas:

(i) Pesquisa documental, envolvendo os registros contidos em artigos, manuais e sites. O próprio software da APP forneceu também uma visão crítica e global da temática do problema, permitindo, então, a construção dos dados necessários ao pré-processamento de dados, sob a condução do professor orientador.

Além disso, a revisão bibliográfica permitiu conhecer o maior conjunto possível de obras escritas por vários autores e em diferentes aplicações para, então, selecionar as fontes imprescindíveis a este trabalho. Também foi feito um exame dos periódicos nacionais e internacionais para localizar artigos sobre o tema.

(ii) Fase de construção do banco de dados analítico: foram definidos os atributos básicos da tabela de dados da pesquisa, que foram o (1) código da resposta; (2) o ano de aplicação; (3) a data de nascimento do respondente; (4) o sexo do respondente; (5) o cargo; e (6) os respectivos campos de resposta (escore) de cada um dos 20 fatores.

Ao todo, foram disponibilizados 8.832 registros de resultados, obedecendo aos critérios previamente apresentados na seção 3.2.

(iii) Mineração de dados: foram executadas as etapas de pré-processamento e de mineração de dados com base em experimentações. Cada experimentação auxiliou na tomada de decisão quanto ao método de DM e algoritmo. Os passos e estratégias adotados para essa tarefa serão discutidos na próxima seção deste capítulo.

(iv) Análise dos dados: resultados do conjunto de registros foram confrontados à base de teórica da APP, evidenciando uma etapa de pós-processamento de dados. Tomou-se novamente o uso da base de dados analítica para geração de dados descritivos e para a confirmação dos resultados obtidos no passo III.

4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS

Este capítulo trata da demonstração e discussão dos resultados obtidos na pesquisa. Nesse sentido, foi apresentada a amostra sob o ponto de vista demográfico (sexo e idade) e temporal (ano de aplicação). Para sua análise, foi proposta a comparação dos resultados e médias dos fatores profissionais e

2003



comportamentais, e destacou-se a abordagem exploratória, com o uso da técnica de clusterização como processo de descoberta de conhecimento (KDD). 4.1 Análise com uso de data mining

A seguir, a FIG. 7 apresenta resposta da tarefa de clusterização dos resultados processados da APP, que foi emitida pela ferramenta de data mining WEKA. Foram encontrados os 4 clusters, conforme o valor ajustado aos parâmetros do algoritmo. O primeiro cluster identificado representou quase 23% da base de resultados da APP, ficando o segundo e o terceiro clusters com pouco mais de 30% cada um (FIG. 7), sendo que o quarto agrupamento, o menor, aferiu 16% da amostra. Das 20 características profissionais e comportamentais aferidas pela APP, apenas 3 fatores se distinguiram significativamente entre os agrupamentos processados e a média geral da amostra (coluna �“full data�”).

FIGURA 7 - Relatório de resultado da tarefa de clusterização WEKA �– 20 fatores da APP Fonte: extraído pelo autor a partir da ferramenta WEKA com base da amostra de 2000 a 2010.

2004



A primeira informação relevante da clusterização foi elicitada pela distinção entre os clusters e os dados completos. Pelo menos um dos três fatores profissionais: (a) Tempo de execução, (b) Organização e (c) Intensidade operacional aferiu que todos ou nenhum dos respondentes atingiu o potencial ideal no respectivo fator. Estes fatores aparecem isoladamente no GRAF. 1, a seguir, apresentando o resultado da clusterização e ignorando as demais características mapeadas. O GRAF. 1 esclarece, em porcentagem, duas novas informações que se apresentaram como relevantes na FIG. 7. A segunda informação útil obtida foi que o primeiro cluster (número 0) aferiu 0% nos três fatores. Ou seja, o primeiro cluster da APP foi formado por respondentes que não atingiram o perfil idealizado, demonstrando que possuem, simultaneamente, dificuldades em: (a) trabalhar com prazos curtos e sob pressão de tempo; (b) aspectos organizativos do trabalho e; (c) seu volume de trabalho.

GRÁFICO 1 �– Comparativo dos fatores de maior coeficiente de variação entre os 4 clusters e o conjunto �“full data�” da Avaliação de Potencial e Perfil (APP) �– Período de 2000 a 2010 Fonte: Elaborado pelo autor a partir do resultado da tarefa de clusterização.

2005



A terceira informação útil foi que o cluster 3 se assemelha com o primeiro agrupamento, com exceção do fator profissional denominado Intensidade operacional (GRAF. 1). Neste fator, todos os respondentes do cluster 3 alcançaram o escore ideal (4, 5 ou 6); portanto, estes possuem bom volume de trabalho, apesar de persistir um perfil profissional com dificuldades em organização e no tempo de execução das tarefas. No exame dos dados referentes ao cluster 1, que correspondeu aproximadamente a 30% dos casos, em relação aos três fatores, constatou-se que foi o que se assemelhou ao conjunto total dos dados, em força de constituir a maioria, nos fatores organização (47%) e intensidade operacional (43%). O foco de interesse do cluster 1 se fixou na diferença em relação ao conjunto total que, por lógica, foi produzido pelo fator Tempo de execução. Neste caso, a totalidade de seus respondentes atingiu o nível desejado para o fator denominado Tempo execução. O terceiro cluster apresentado no GRAF. 1 foi o agrupamento que, também pela grande proporção, se aproximou do conjunto �“full data�” em relação ao valor do fator Intensidade operacional (42%). Sobressaíram duas diferenças: (1) no item denominado Tempo execução, o percentual dos dados indicou que todos respondentes estão com dificuldades em relação ao tempo de execução das tarefas; (2) e no fator Organização, os mesmos respondentes apresentam boa capacidade organizativa. A seguir, o QUADRO 4, resume as características identificadas nos 4 clusters a partir da interpretação dos dados minerados:

QUADRO 4 Características dos 4 clusters da Avaliação de Potencial e Perfil (APP) a partir de dados

dicotômicos Clusters (% da amostra)

0 (23%) 1 (30%) 2 (30%) 3 (16%)

Ninguém sabe trabalhar com prazos

curtos

Todos sabem trabalhar com prazos

curtos


curtos


curtos

Ninguém é organizado 47% são organizados Todos são

organizados Ninguém é organizado

Ninguém sabe dimensionar o

volume de trabalho

43% sabem dimensionar o

volume de trabalho


volume de trabalho

Todos sabem dimensionar o

volume de trabalho Fonte: Elaborado pelo autor com base no FIG. 7, com base na amostra de 2000 a 2010. Como a qualificação dos clusters foi feita de forma dicotômica (sim-não) de acordo com a preparação dos dados. Para um efetivo diagnóstico, tornou-se importante avaliar se o potencial dos fatores �“a melhorar�” foi insuficiente ou excedente, conforme será visto na próxima seção.

2006



4.2 Potencial dos respondentes identificados nos clusters

A seguir, apresentam-se o nível do potencial dos respondentes nas dimensões Tempo de execução (GRAF. 2), Organização (GRAF. 3) e Intensidade operacional (GRAF. 4) a partir de consultas à base de dados analítica da APP.

GRÁFICO 2 �– Potencial do fator Tempo de execução da Avaliação de Potencial e Perfil (APP) que caracterizou os 4 clusters identificados na amostra �– Período de 2000 a 2010 Fonte: Elaborado pelo autor a partir do resultado da tarefa de clusterização.

Conforme o estudo prévio de Libério e Carvalho (2010) foi possível detalhar as faixas de potencial (GRAF. de 2 a 4) da APP, a partir da identificação de fatores mais evidentes na tarefa de clusterização. No GRAF. 2, a expressão �“sofre de stress�”, que nomeia a faixa de insuficiência de potencial na dimensão Tempo de execução, foi dominante em três clusters (0, 2 e 3). Nesses agrupamentos, os valores altos não ultrapassaram 7% de representatividade intracluster. O potencial ideal (�“bom�”) foi apenas identificado no cluster 1.

2007



A seguir, o GRAF. 3 apresenta o potencial do fator Organização:

GRÁFICO 3 �– Potencial do fator Organização da Avaliação de Potencial e Perfil (APP) que caracterizou os 4 clusters identificados na amostra �– Período de 2000 a 2010 Fonte: Elaborado pelo autor a partir do resultado da tarefa de clusterização.

No fator organização, o potencial ideal, como apresentado anteriormente, esteve presente apenas no cluster 2. No primeiro e quarto agrupamentos, o perfil �“perfeccionista�” teve maior concentração, sendo mais significativo no cluster 0. Nos clusters 0, 2 e 3, os valores baixos não ultrapassaram 40% de representatividade intracluster. Na dimensão profissional Intensidade operacional, ilustrada pela FIG. 4, nos três primeiros clusters, o perfil �“work-a-holic�” se destacou com mais de 50% da concentração intracluster. Apenas no cluster 3, como anteriormente informado, todos os respondentes tiveram bom volume de trabalho

2008



GRÁFICO 4 �– Potencial do fator Intensidade operacional da Avaliação de Potencial e Perfil (APP) que caracterizou os 4 clusters identificados na amostra �– Período de 2000 a 2010 Fonte: Elaborado pelo autor a partir do resultado da tarefa de clusterização.

A seguir, o QUADRO 5 resumiu os 4 clusters identificados na APP:

QUADRO 5 Características dos 4 clusters da Avaliação de Potencial e Perfil (APP) a partir da base

analítica

Clusters (% da amostra)

0 (23%) 1 (30%) 2 (30%) 3 (16%)

96% sofrem de stress ao trabalhar com prazos curtos

100% sabem trabalhar com prazos curtos

96% sofrem de stress ao trabalhar com

prazos curtos

93% sofrem de stress ao trabalhar com prazos curtos

76% são perfeccionistas 47% são organizados 100% são organizados 62% são

perfeccionistas

93% são work-a-holic

43% sabem dimensionar o volume de trabalho, mas 51%

são work-a-holic

42% sabem dimensionar o volume de trabalho, mas 54%

são work-a-holic


volume de trabalho

Fonte: elaborado pelo autor com base na FIG. 7, com base na consulta ao banco de dados analítico da amostra dos anos de 2000 a 2010 com 8832 registros.

2009



Portanto, os clusters foram interpretados a partir da autoavaliação dos seus respondentes (QUADRO 5):

Cluster 0: grupo formado por uma maioria de profissionais que não sabem trabalhar com prazos curtos e que, na maioria, também trabalham em excesso. Tendem a ser perfeccionistas.

Cluster 1: grupo em que todos os indivíduos sabem trabalhar com prazos curtos. A metade ainda é work-a-holic, mas mais de 40% aprenderam a dimensionar o seu volume de trabalho e a se organizar.

Cluster 2: grupo de indivíduos onde todos são organizados, mas a maioria ainda sofre ao trabalhar com prazos curtos. A metade atua com um volume de trabalho acima do desejado, mas mais de 40% aprenderam a dimensionar essa intensidade.

Cluster 3: grupo em que todas as pessoas sabem dimensionar seu volume de trabalho, mas, apesar disso, ainda sofrem ao trabalhar com prazos curtos. E mais da metade são perfeccionistas.

5 CONCLUSÃO Numa abordagem lógica e ordenada, é possível concluir o alcance do objetivo geral deste estudo. Primeiramente, este estudo apresentou os princípios teóricos que originaram o instrumento de autoavaliação APP, sendo atendido pelo capítulo dedicado à revisão da literatura ao abordar as características de construção do instrumento. Por conseguinte buscou-se explorar o banco de dados de respostas da APP, construindo uma base de dados analítica com 8.832 registros. A partir daí foi possível confrontar resultados demonstrados pelo processo de KDD, numa perspectiva base teórica proposta pela APP. Os relatos de todas as etapas do KDD enriqueceram e fizeram constatar que as três macroatividades desse processo são fatores críticos de sucesso para obtenção de novos aprendizados. Pode-se ressaltar a definição de operações mais assertivas, possibilitadas pela estratégia de experimentação implementada antes da efetiva mineração dos dados. A pesquisa apresentou o processo de KDD e a técnica de DM aplicados à área de RH, possibilitando o diálogo entre áreas de conhecimento distintas por meio de um estudo descritivo qualitativo da APP, com aplicação significativa, levada em consideração pelos mais de 8 mil registros de sua amostra. As iniciativas deste estudo com uso de técnicas exploratórias de data mining demonstraram uma pequena, mas significativa, parcela das possibilidades de aquisição de conhecimentos dos fatores profissionais e comportamentais do diagnóstico, usando a ferramenta WEKA. É claro, entretanto, que é apenas mais uma forma de contribuição para investigar a complexidade deste tipo ferramenta aplicada ao desenvolvimento de pessoas.

2010



Assim, o desenvolvimento desse projeto identificou e descreveu os quatro grupos (clusters) com base nos resultados da APP. As descrições dos clusters possibilitaram a identificação de 17 fatores correlatos e permitiram a avaliação dos 3 fatores de distinção intercluster em relação à média dos fatores atingida por seus respondentes (conjunto de dados). A respeito dos clusters, o perfil profissional autopercebido pelos respondentes da APP foi semelhante à média da amostra nas dimensões: Detalhismo/delegação, Flexibilidade/ criatividade, Energia vital, Percepção/ priorização, Acompanhamento, Liderança, Decisão, Comunicação, Controle emocional, Sociabilidade, Administração de conflitos, Autoimagem, Adaptabilidade a mudanças, Afetividade, Planejamento, Relação com autoridade e Realização. Enquanto, esses mesmos profissionais brasileiros se autoavaliaram nos fatores Tempo de execução, Organização e Intensidade operacional, posicionando-se em quatro agrupamentos distintos em relação à média estabelecida pelo conjunto total da amostra. Outra questão importante trata do conjunto de dados. Os resultados da APP foram obtidos em situação real e, consequentemente, representam dados de realidade referentes ao RH de um conjunto de empresas no período relativamente extenso e recente. É importante lembrar que o instrumento é autoadministrado e refere-se a uma percepção dos respondentes sobre sua própria realidade. Esta condição pode gerar interpretações diferenciadas, quando analisadas por outras pessoas. Por exemplo, o item �“sofre de stress�” pode ser superestimado por uma pessoa normalmente tranquila que, ocasionalmente, e talvez recentemente, tenha se excedido em um contexto específico de alta pressão. Outra pessoa mais agitada pode ter seu cotidiano atribulado e se autoavaliar predominantemente com �“boa�” intensidade operacional. Outro viés a evitar é enfatizar excessivamente as diferenças em detrimento dos elementos em comum entre os respondentes. O inventário da APP é um instrumento abrangente e o conjunto dos dados mostra que a situação é complexa e que, dentre todos os fatores, há muita similaridade em dezessete deles. Talvez a clusterização tenha destacado que, entre os respondentes brasileiros da amostragem disponível, haja quatro estilos profissionais. Dois mais dominantes e outros dois também importantes e que se diferenciam, enquanto autopercepção, nas direções apontadas. Algumas das constatações de Corrêa (2009), sobre o perfil profissional dos respondentes, ficaram evidenciadas, trazendo intrigantes indagações para aprofundamento das suas interpretações.

2011



5.1 Direções futuras Para atividades futuras, é importante a apresentação desses resultados para os especialistas responsáveis pelo desenvolvimento dessa ferramenta, com o objetivo de discutir e validar todos os aprendizados, bem como avaliar outros conhecimentos que não tenham sido elicitados no relato desta pesquisa. Como próxima etapa, recomenda-se avaliar outras técnicas de clusterização, possivelmente com o paradigma hierárquico, além de outras técnicas de DM, com a tarefa de associação, que possam explorar de forma ainda mais extensa e frutuosa a importante base de dados com respondentes brasileiros da APP. O desenvolvimento contemplado nesta pesquisa atendeu às propostas previstas na metodologia. Será necessário, ainda, empreender as fases de análise pela variação das características no período de tempo e seu contexto histórico. Dada a natureza do instrumento, seria interessante avaliar se a autopercepção dos respondentes da APP condiz com a realidade profissional aferida no ambiente de trabalho. Outra questão para estudo futuro seria confrontar os resultados da amostra brasileira com os resultados de outros países para comparar o potencial de autopercepção de pessoas de culturas diferentes. Por outro lado, não sendo uma amostra aleatória, tais estudos dessa massa de dados da APP merecem uma continuidade para estabelecer conclusões para o universo e tentar descobrir que características e consequências dessa tendência teriam com o decorrer do tempo.

2012



REFERÊNCIAS

APP. Desenvolvido por Maria Lúcia Rodrigues Corrêa, 2003. Site e-commerce. Disponível em: <http://www.appweb.com.br>. Acesso em: 8 dez. 2009. APP. Avaliação de Potencial e Perfil: Modelos de Relatórios e Documentação. Disponível em: <http://www.appweb.com.br/apresenta/>. Acesso em: 10 jun. 2010. APP. Avaliação de Potencial e Perfil: Formulário de Respostas. Disponível em: <http://www.appweb.com.br/APP_Formulario_de_Respostas.pdf>. Acesso em: 20 jun. 2010b. APP. Avaliação de Potencial e Perfil: Descrição dos Fatores Profissionais e Comportamentais. Disponível em: <http://www.appweb.com.br/competencia.php>. Acesso em: 20 jul. 2010c. CASTELLS, M. A sociedade em rede. 3. ed. São Paulo: Paz e Terra, 2000. 2 v. CIOS, Krzysztof et al. Data Mining: a knowledge discovery approach. New York: Springer Science, 2007. CORRÊA, M. L. Avaliação de potencial e perfil: apostila do facilitador. Belo Horizonte: [s. n.], 2009. 20p. Disponível em: <http://www.appweb.com.br/Apostila% 20do%20Facilitador%2002%20jan%2009.pdf>. Acesso em: 20 jul. 2009. FAYYAD, U. et al. (Ed.). Advances in Knowledge Discovery and Data Mining. Boston: MIT Press, 1996. FLEURY, M. T. L. A gestão de competência e a estratégia organizacional. In: FLEURY, M. T. L. (Org.). As pessoas na organização. São Paulo: Editora Gente, 2002. GOLDSCHIMIDT, R.; PASSOS, E. Data mining: um guia prático. Rio de Janeiro: Elsevier, 2005. GRESSLER. L, A. Introdução à pesquisa: projetos e relatórios. 2. ed. rev. e atual. São Paulo: Loyola, 2004. 295 p. GRINSPUN, M. P. S. Zippin. Educação Tecnológica: desafios e perspectivas. 3. ed. São Paulo: Cortez, 2002. JAMIL, G. L. Gestão de informação e do conhecimento em empresas brasileiras: estudo de múltiplos casos. 2005. Tese (Doutorado) - Escola de Ciência da Informação da UFMG. Belo Horizonte, 2005.

2013



LIBÉRIO, L.; CARVALHO, H. G. Análise da Avaliação de Potencial e Perfil (APP) de Profissionais Brasileiros com Uso de Data Mining. In: CONTECSI - CONGRESSO INTERNACIONAL DE GESTÃO DA TECNOLOGIA E SISTEMAS DE INFORMAÇÃO, 7., 2010, São Paulo. Anais... São Paulo: TECSI EAC FEA USP, 2010. p. 139-139. MALHOTRA, N. Pesquisa de Marketing: uma orientação aplicada. 3. ed. Porto Alegre: Bookman, 2001. MCLEAN, J. E.; CHISSON, B. S. Multivariate Analysis of Ipsative Data: problems and solutions. 1986. Disponível em: <http://www.eric.ed.gov/ERICWebPortal/ contentdelivery/servlet/ERICServlet?accno=ED278717>. Acesso em: 1 maio 2010. NEVES, J. L. Pesquisa qualitativa �– características, usos e possibilidades. Caderno de Pesquisa em Administração, São Paulo, v. 1, n. 3, 2 sem. 1996. SIQUEIRA, M. M. (Org.). Medidas do comportamento organizacional: ferramentas de diagnóstico e de gestão. Porto Alegre: Artmed, 2008. TAN, P.; STEINBACH, M., KUMAR, V. Introdução ao DATAMINING Mineração de Dados. Rio de Janeiro: Editora Ciência Moderna Ltda., 2009. WEKA. Disponível em: <http://www.cs.waikato.ac.nz/ml/weka>. Acesso em: 27 jun. 2009.

2014



resultados de investigação da avaliação de potencial e perfil (app) em profissionais...

Documents