inQuesti
    Conteúdo
    CASE · ISA ENERGIA · ENERGIA

    IA Preditiva para Retenção de Talentos

    Modelo preditivo identifica colaboradores com maior risco de saída — e o motivo. RH passa a agir com semanas de antecedência, em vez de descobrir no aviso prévio.

    Cliente
    ISA Energia
    Indústria
    Energia
    Resultado
    +1.500 colaboradores monitorados mensalmente
    IA Preditiva para Retenção de Talentos
    // briefing executivo
    Desafio

    RH e áreas ficavam sabendo da saída de colaboradores, como a maior parte das empresas no momento da saída. Gerando urgência e carga de trabalho para o RH e impacto na operação que precisa do time para sustentação e efetividade do negócio.

    Complexidade

    Mais de 1.500 colaboradores em ativos críticos de transmissão, dados dispersos entre sistemas de RH, performance e engajamento, e necessidade de explicar cada score individualmente para o BP agir com segurança.

    Abordagem

    Modelo preditivo de turnover combinando dados de RH, performance, engajamento e contexto operacional. Explainability por colaborador, não só score.

    Resultado

    Ações de retenção começam semanas antes do desligamento, com leitura clara dos colaboradores com maior risco de saída e motivos por trás de cada risco.

    // ficha técnica · v2
    Resultado
    +1.500

    colaboradores monitorados mensalmente

    Cliente
    ISA Energia
    Setor
    Energia / Transmissão
    Área
    2024 – em operação
    Escopo
    Modelo preditivo + plataforma de dados de RH
    Stack
    Databricks · MLflow · Power BI · Azure
    Modelo
    Squad alocado + operação contínua

    O ponto de partida

    A Isa Energia é uma operação com mais de 1.500 colaboradores em ativos críticos de transmissão, em um setor altamente regulado.

    Cada saída não planejada em cargos críticos carregava um custo recorrente expressivo: recrutamento, parceiros de seleção, processo de contratação, treinamento, onboarding e o tempo de adaptação até a plena produtividade. Somado ao longo de um ano, esse custo deixava de ser ruído e passava a ser pauta de eficiência.

    O desafio não era apenas prever quem sairia. Era explicar por quê, com granularidade suficiente para que o BP de RH conseguisse agir.

    A abordagem

    Construímos um modelo combinando dados históricos de RH, indicadores de performance, sinais de engajamento e variáveis de contexto operacional.

    A explainability é fundamental para que cada score venha acompanhado dos fatores que mais pesaram naquele caso — o que torna a conversa do BP com o gestor objetiva.

    Arquitetura operacional
    01
    Fontes de Dados
    02
    Modelo preditivo
    03
    Explainability
    04
    Dashboard Operacional

    Turnover como pauta de negócio

    Turnover de cargos críticos deixou de ser indicador interno de RH e passou a ser tema discutido junto à operação e à liderança. Não apenas pelo impacto na continuidade das equipes em ativos de transmissão, mas pelo custo anual associado a cada substituição — recrutamento, parceiros de seleção, contratação, treinamento, onboarding e curva de adaptação.

    Com a previsão antecipada e a explicabilidade por colaborador, o RH passou a se posicionar como parceiro de continuidade operacional e de eficiência financeira, e não como área de suporte. É essa leitura moderna de RH — excelente em sua área de domínio e ativa na estratégia do negócio — que a ISA Energia consolidou.

    Operação contínua

    O modelo roda mensalmente em pipeline gerenciado, com monitoramento de drift e ciclo de retreino. O time de dados não atua como projeto — atua como operação.

    Próximo passo

    Vamos discutir o seu desafio?

    Conversa direta com consultores e arquitetos. Sem funil comercial, sem slides intermináveis. Direto ao ponto, e com quem entende.