Beruflich Dokumente
Kultur Dokumente
Belo Horizonte - MG
2010
Leandro Libério da Silva
Belo Horizonte - MG
2010
SILVA, Leandro Libério da
Análise dos Resultados da Avaliação de Potencial e Perfil (APP)
em profissionais brasileiros com uso de Data Mining/ Leandro Libério da
Silva.- - Belo Horizonte: CEFET/MG, DPPG, 2010.
x, 95 f. : il. ; xx cm.
Orientador: Heitor Garcia de Carvalho
Dissertação (mestrado) – Centro Federal de Educação Tecnológica de
Minas Gerais, CEFET-MG, Programa de Pós Graduação em Educação
Tecnológica, 2010.
Referências bibliográficas: f. 91-93.
____________________________________________________
Prof. Dr. Heitor Garcia de Carvalho - CEFET/MG - Orientador
____________________________________________________
Prof. Dr. Allan Claudius Queiroz Barbosa – UFMG/MG
____________________________________________________
Prof. Dr. George Leal Jamil – FUMEC/MG
____________________________________________________
Profa. Dra. Márcia Gorett Ribeiro Grossi - CEFET/MG
Agradeço a Deus por tudo nessa vida, e por agir por meio das seguintes pessoas:
Ao Prof. Dr. Heitor Garcia de Carvalho, por ter acreditado, orientado e “incomodado”
positivamente minha carreira de mestrando. Tornou-se um amigo e, com seu
brilhantismo e humildade, transformou-me como educando.
Ao Prof. George Leal Jamil, que me honra em ter avaliado meu trabalho.
À Profa. Márcia Gorett Ribeiro Grossi, pelas suas contribuições e por ter avaliado
este trabalho.
À minha querida família: a meus irmãos Iêda, Edna, Neilon, Renato e Adelson; a
meus sobrinhos, em especial ao meu afilhado Davi; a meus cunhados José Adelson,
Júnior, Íris, Bruna e Angelita, sempre compreensivos com meus períodos de
ausência.
Aos amigos Adriana Tonini, Fernando Zaidan, Héder Henrique, Gláucia Roberta e
Nesley Daher, pelo apoio e motivação nas horas difíceis.
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 Assessment Potential and Profile (APP).
The APP, 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 APP, in order to define potential characteristics
self-perceived by Brazilian respondents about their behavior in work relations.
DM - Data Mining
EM - Expectation Maximinization
RH - Recursos Humanos
1 INTRODUÇÃO ............................................................................................................ 16
1.1 PROBLEMA ....................................................................................................................... 18
1.2 JUSTIFICATIVA ................................................................................................................... 19
1.3 ALINHAMENTO À LINHA DE PESQUISA ..................................................................................... 20
1.4 OBJETIVO GERAL ................................................................................................................ 21
1.5 OBJETIVOS ESPECÍFICOS ....................................................................................................... 21
1.6 DELIMITAÇÃO E ASPECTOS RESTRITIVOS .................................................................................. 22
1.7 TRABALHOS RELACIONADOS ................................................................................................. 22
1.8 ESTRUTURA DO TRABALHO ................................................................................................... 23
2 REFERENCIAL TEÓRICO ............................................................................................... 25
2.1 DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS .............................................................. 25
2.2 AVALIAÇÃO DE POTENCIAL E PERFIL ....................................................................................... 33
2.3 SÍNTESE DAS CONTRIBUIÇÕES TEÓRICAS .................................................................................. 51
3 METODOLOGIA .......................................................................................................... 52
3.1 ABORDAGEM METODOLÓGICA .............................................................................................. 52
3.2 OBJETO DE PESQUISA .......................................................................................................... 53
3.3 COLETA DE DADOS DA APP .................................................................................................. 53
3.4 SUJEITOS .......................................................................................................................... 54
3.5 PROCEDIMENTOS ............................................................................................................... 55
3.6 ESTRATÉGIAS DE MINERAÇÃO DE DADOS ................................................................................. 56
4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS ........................................................... 60
4.1 PERFIL DOS RESPONDENTES .................................................................................................. 60
4.2 RESULTADOS DA APP ......................................................................................................... 64
4.3 POTENCIAL IDEAL ............................................................................................................... 67
4.4 POTENCIAL INSUFICIENTE ..................................................................................................... 70
4.5 POTENCIAL EXCEDENTE ....................................................................................................... 74
4.6 ANÁLISE COM USO DE DATA MINING ...................................................................................... 77
4.7 POTENCIAL DOS RESPONDENTES IDENTIFICADOS NOS CLUSTERS ................................................... 83
5 CONCLUSÃO .............................................................................................................. 87
5.1 DIREÇÕES FUTURAS ............................................................................................................ 90
REFERÊNCIAS ..................................................................................................................... 91
ANEXO A – NOTAS SOBRE A VALIDADE DO PAPI ................................................................ 94
ANEXO B – NOTAS SOBRE O AMBIENTE COMPUTACIONAL ............................................... 95
16
1 INTRODUÇÃO
1.1 Problema
1.2 Justificativa
Dentro dessa realidade, as autoavaliações, tais como a APP, utilizam as TICs com o
objetivo de promover o “aprender a se conhecer”. A busca por aprimorar esta
proposta de autoconhecimento, quando bem planejada e incorporada,
possivelmente, resultará na construção de indivíduos mais autônomos, aptos a
exercerem sua cidadania, contribuindo para uma verdadeira sociedade da
informação, como idealiza Takarashi (2000).
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.
20
Por sua vez, a educação no contexto das organizações, pode ser promovida pelos
planos de desenvolvimento de pessoas. As ferramentas que subsidiam a concepção
destes planos empregam diversas tecnologias, dentre elas a internet, gerando um
volume de informações que pode ser tratado por mecanismos de inteligência
artificial, tais como a mineração de dados.
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.
1
<http://www.et.cefetmg.br/site/sobre/pesquisa.html>. Acesso em 10 jan. 2010.
22
Este trabalho de pesquisa tem sua estrutura construída por cinco capítulos. Este
capítulo introdutório é dedicado à problematização e à definição dos objetivos da
pesquisa.
2 REFERENCIAL TEÓRICO
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”.
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).
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.
Para estes autores, a clusterização é uma tarefa exploratória de DM, que pode
descrever a correlação, tendência, grupos ou anomalias que, posteriormente, podem
ser explicadas com o seu pós-processamento.
29
Dada a natureza desse procedimento, Cios et al. (2007) explicam que, no processo
de KDD, a tarefa de clusterização do DM produz um aprendizado não-
supervisionado, ou seja, consegue expressar automaticamente a estrutura dos
dados sem qualquer indicação prévia de padrões (supervisão).
2
<http://www.cs.waikato.ac.nz/ml/weka> acesso em: 27 jun. 2009.
30
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.
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 ser
encontrados no cluster, onde 1 indica a presença de padrão; e 0, a ausência do
mesmo.
31
{ 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}.
Na FIG. 4, o destaque da letra (a) indica a tela inicial do sistema; (b) exemplifica a
tela de configuração dos algoritmos e (c) apresenta a aba de clusterização para
mineração dos dados.
De acordo com o site da APP3, o Dr. Kostick buscou desenvolver uma ferramenta
completa que atendesse os seguintes objetivos: (a) ter uma base teórica confiável;
(b) simplificar a tomada de decisão com escalas de medidas; (c) possibilitar o uso
por profissionais que não fossem obrigatoriamente psicólogos; (d) evitar
3
<http://www.appweb.com.br>. Acesso em: 8 dez. 2009.
34
Inicialmente, o PAPI foi projetado com base numa escala ipsativa. O termo
“ipsativo”, utilizado nas ciências sociais, é originado do latim ipse (“a si mesmo”)
(MCLEAN; CHISSOM, 1986; CHAIN, 2003). Ou seja, nesse tipo de medição, o
respondente deve escolher entre dois ou mais itens, adotando como critério de
escolha aqueles que mais se parecem com ele. Diz-se que é uma medida baseada
numa comparação intraindividual.
Tradicionalmente, este tipo de inventário, que utiliza a medida ipsativa, pode ser
definido com um teste multidimensional de itens de escolha forçada. Esse formato
tem sido muito usado na avaliação de pessoas, e, como explicam Brown e Bartram
(2009), é considerado mais difícil de ser falseado por obrigar os respondentes a
escolher entre duas sentenças, cada uma ligada a um traço distinto de
comportamento.
Outra propriedade dos dados ipsativos é quanto à soma dos escores obtidos em
todas as escalas de medida. Diz-se que uma escala é ipsativa quando desta soma
se obtém um valor constante para qualquer indivíduo (BROWN; BARTRAM, 2009).
QUADRO 1
Fatores do inventário PAPI
Necessidades Papéis
Necessidade controlar os outros Papel de liderança
Necessidade de regras e supervisão Tipo organizado
Necessidade de mudança Planejador
Necessidade de finalizar uma tarefa Atenção aos detalhes
Necessidade de ser notado Teórico
Necessidade de pertencer a grupos Harmonizador social
Necessidade de ser relacionar estreitamente Facilidade para tomar decisão
Necessidade de ser forte Ritmo de trabalho
Necessidade de alcançar Controle emocional
Necessidade de ser solidário Papel de trabalhador
Fonte: Adaptado de PAPI (2003)
Os escores são dados, para cada uma das escalas (necessidade ou papel), pela
quantidade de sentenças escolhidas pelo respondente. Por exemplo, o indivíduo que
pontuou 1 em Liderança foi porque selecionou apenas 1 frase ligada ao papel.
Dessa forma, o indivíduo mostra a importância relativa de cada item. Em geral, as
pessoas concluem o preenchimento, na média, em 15 minutos (PTC, 2009).
Segundo Kostick (1977), apud Furnham e Craig (1987), uma pesquisa com gerentes
sugeriu a existência de sete áreas em que este inventário pode produzir
informações, que são: direção para o trabalho; liderança; energia; natureza social;
36
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, conforme a FIG. 6:
QUADRO 2
Fatores da Avaliação de Potencial e Perfil (APP)
4
<http://www.appweb.com.br/competencia.php>. Acesso em: 20 jul. 2010.
39
QUADRO 3
Exemplo da relação Item e Fator da Avaliação de Potencial e Perfil (APP)
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.
5
<http://www.appweb.com.br/APP_Formulario_de_Respostas.pdf>. Acesso em: 20 jun. 2010.
40
A FIG. 8 ilustra a versão coaching da APP, que segue fielmente seu original
(inventário PAPI):
Esses textos avaliativos foram produzidos por Corrêa (2009) e podem ser
atualizados dentro da base dados do sistema, quando julgar pertinente. Por
42
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. 8 e FIG. 9), 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. 9) para esta dimensão.
Conforme a FIG. 10 cada fator da APP tem sua faixa de potencial ideal, bem como,
faixas específicas de insuficiência (“Faltou” e “Faltou em excesso”) e extrapolação
de potencial (“Sobrou” e “Sobrou em excesso”).
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. 11, 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.
Conforme o QUADRO 4, 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 4
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.
Para gerar esse relatório, é necessário categorizar o escore da versão coaching dos
indivíduos em grupos de respostas, conforme as interpretações que serão
apresentadas, a seguir, pelos QUADROS de número 5 a 8.
QUADRO 5
Critérios de interpretação coletiva dos escores dos Fatores Profissionais da Avaliação de
Potencial e Perfil (APP): Planejamento, Organização, Acompanhamento, Liderança e
Comunicação.
QUADRO 6
Critérios de interpretação dos escores dos Fatores Profissionais da Avaliação de Potencial e
Perfil (APP): Decisão, Detalhismo/Delegação, Intensidade Operacional e
Percepção/Priorização.
QUADRO 7
Critérios de interpretação dos escores dos Fatores Comportamentais da Avaliação de
Potencial e Perfil (APP): Flexibilidade/criatividade, Adaptabilidade a mudanças, Relação com
autoridade e Controle emocional
QUADRO 8
Critérios de interpretação dos escores dos Fatores Comportamentais da Avaliação de
Potencial e Perfil (APP): Afetividade, Sociabilidade, Autoimagem, Energia Vital e Realização
A partir de 2009, os dados da APP passaram a ser gerenciados por um sistema web
desenvolvido na linguagem PHP Hypertext Preprocessor (PHP) e banco de dados
MySQL8. Esse software é responsável pela manutenção do inventário on-line: (a)
formulário de aplicação, (b) geração de relatórios individuais e coletivos, (c)
gerenciamento dos usuários e outras consultas (APP, 2010).
8
PHP e MySQL, são respectivamente, linguagem e banco de dados regidos por licenças de código
aberto.
9
Delphi e Paradox, são respectivamente, linguagem e banco de dados originados de código
proprietário.
52
3 METODOLOGIA
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.
53
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.
54
3.4 Sujeitos
3.5 Procedimentos
A ferramenta WEKA foi instalada num ambiente computacional tendo, como único
ajuste de parâmetro necessário, o incremento da quantidade de memória utilizada
pela máquina virtual Java (JVM, sigla de Java Virtual Machine), uma vez que,
durante as primeiras tentativas de execução das operações, o sistema encerrava
automaticamente e acusava insuficiência de memória (ANEXO B).
Antes do processo efetivo de KDD nas respostas da APP, foram executadas duas
etapas preliminares. Na primeira etapa, a base de dados analítica foi importada para
ferramenta WEKA, numa primeira etapa de pré-processamento.
Tendo em vista que foi interesse a identificação de clusters baseados nos fatores
profissionais e comportamentais medidos pela APP, independente da identidade dos
sujeitos (nome, cargo ou idade) ou da temporalidade (ano de aplicação), foram
ignoradas as demais colunas, ficando apenas as 20 colunas com as respostas dos
indivíduos.
A partir desta operação, obteve-se outra versão da tabela, com os mesmos 8.832
registros, porém com as 20 colunas com dados dicotômicos. Cada uma das colunas
58
Após o pré-processamento, partiu-se para uma das etapas mais importantes do DM,
onde a exploração de dados no KDD ocorre efetivamente. No software WEKA existe
uma aba específica para a configuração de cada tarefa de mineração de dados.
Com base nos resultados dessa configuração passa-se para a próxima etapa do
processo de KDD que será abordada na próxima subseção.
59
O segundo passo foi salvar os resultados numa base de dados idêntica ao banco de
dados analíticos, porém acrescentando uma nova coluna, denominada “cluster”, na
tabela resultante. Isso permitiu novas consultas aos clusters, sem a necessidade de
minerá-los novamente.
TABELA 1
Distribuição da frequência de respostas (em %) por sexo e faixa etária dos
respondentes da Avaliação de Potencial e Perfil (APP)
TABELA 2
Distribuição da frequência de respostas (em %) por ano de aplicação e sexo dos
respondentes da Avaliação de Potencial e Perfil (APP) – Período de 2000 a 2010
Ano 00 01 02 03 04 05 06 07 08 09 10
% Fem. 55% 47% 54% 35% 35% 48% 50% 41% 41% 45% 45%
% Mas. 45% 53% 46% 65% 65% 52% 50% 59% 59% 55% 55%
F-M 10% -6% 8% -30% -30% -4% 0% -18% -18% -11% -11%
Fonte: Elaborado pelo autor a partir da base de dados analítica da APP.
4).
Os cargos: (a) Vice-Presidente, (b) Presidente, (c) Superintendente, (d) Líder, (e)
Chefe, (f) Administrador, (g) Empresário, (h) Supervisor, (i) Diretor, (j) Coordenador,
(k) Facilitador e (l) Gerente como posições de liderança de pessoas, esses
representam 26% da amostra (GRAF. 4).
teórico.
GRÁFICO 5 – Mapa comparativo entre valor ideal e o escore de maior frequência dos
fatores profissionais da Avaliação de Potencial e Perfil (APP) - período de 2000 a 2010
Fonte: Elaborado pelo autor a partir da base de dados analítica da APP.
66
GRÁFICO 6 – Mapa comparativo entre valor ideal e o escore de maior frequência dos
fatores comportamentais da Avaliação de Potencial e Perfil (APP) - período de 2000 a
2010
Fonte: Elaborado pelo autor a partir da base de dados analítica da APP.
67
O escore com maior distância em relação ao potencial ideal foi do fator Flexibilidade-
criatividade, tendo em vista que o ideal é 0 e a sua maior frequência foi 6, de acordo
com o GRAF. 6.
22% da amostra e os fatores Energia vital e Percepção pontuaram 24%, cada um.
Constatou-se, com estes dados, que 25% da amostra, cerca de 2.200 dos
respondentes, tem dificuldades comportamentais com: (1) sua necessidade em
seguir normas no trabalho; (2) seu grau de autoestima; e (3) seu nível de vitalidade.
Esse mesmo percentual de respondentes, na perspectiva profissional, precisa
melhorar em: (1) sua necessidade em trabalhar com detalhes; (2) sua capacidade de
acompanhar a equipe; e (3) seu grau de atenção concentrada em um assunto ou
tarefa.
Outro fator profissional, denominado Tempo de execução, relevou que 31% dos
respondentes sabem atuar com prazos curtos e sob pressão de tempo; e cerca de
35% dos respondentes atingiram o escore ideal (6 e 7) no fator Decisão (GRAF. 7).
Assim, mais de 50% dos respondentes revelaram-se com boa (1) capacidade de
70
atingir suas metas de vida; (2) habilidade de estabelecer relação de confiança com a
chefia; (3) maturidade emocional; e (5) identificação com a atividade de planejar.
Quanto ao fator Organização, que possui o seu escore ideal similar ao fator
Planejamento (4, 5 e 6), indica que os indivíduos que possuem boa capacidade
organizativa corresponderam a 45% da amostra (GRAF. 7).
apego aos detalhes, dificultando a delegação; (4) foco de atenção em uma só tarefa;
e (5) tendência a trabalhar em excesso (work-a-holic).
A TAB. 3 foi elaborada a partir da FIG. 13, onde ordenou-se o conjunto de fatores
pelo coeficiente de variação dado dos 4 clusters, obtido pela divisão do valor do
desvio padrão pela média obtida dos valores de cada um dos fatores.
TABELA 3
Fatores ordenados pelo coeficiente de variação dos 4 clusters da Avaliação de Potencial e
Perfil (APP)
Clusters
Fatores Full-Data Desvio Coef. de
0 1 2 3 Média
Padrão Variação
Tempo de Execução 0,31 - 1,00 - - 0,50 0,25 200,00%
Organização 0,45 - 0,47 1,00 - 0,48 0,37 129,85%
Intensidade operacional 0,42 - 0,43 0,42 1,00 0,41 0,46 88,83%
Detalhismo/ delegação 0,08 0,04 0,13 0,06 0,06 0,04 0,07 53,86%
Flexibilidade/ criatividade 0,04 0,03 0,06 0,02 0,04 0,02 0,04 47,95%
Energia vital 0,24 0,16 0,26 0,27 0,24 0,05 0,23 22,03%
Percepção/ priorização* 0,24 0,20 0,28 0,25 0,22 0,04 0,24 15,23%
Acompanhamento* 0,22 0,17 0,24 0,23 0,20 0,03 0,21 14,07%
Liderança 0,29 0,24 0,29 0,33 0,29 0,04 0,29 13,89%
Decisão 0,35 0,28 0,37 0,36 0,36 0,04 0,34 12,20%
Comunicação 0,42 0,39 0,39 0,45 0,47 0,04 0,42 10,30%
Controle emocional 0,51 0,54 0,45 0,53 0,54 0,04 0,51 8,36%
Sociabilidade 0,41 0,38 0,45 0,40 0,40 0,03 0,41 6,99%
Administração de
0,37 0,35 0,37 0,40 0,38 0,02 0,37 6,11%
conflitos
Autoimagem 0,19 0,17 0,19 0,20 0,19 0,01 0,19 5,09%
Adaptabilidade a
0,41 0,42 0,40 0,43 0,39 0,02 0,41 5,04%
mudanças*
Afetividade 0,38 0,36 0,37 0,40 0,38 0,02 0,38 4,92%
Planejamento 0,57 0,59 0,57 0,58 0,53 0,02 0,57 4,26%
Relação com autoridade 0,59 0,61 0,57 0,60 0,60 0,02 0,60 3,45%
Realização 0,64 0,67 0,63 0,63 0,66 0,02 0,65 2,52%
Fonte: Elaborado pelo autor com base na amostra de 2000 a 2010. As médias e o desvio
padrão foram aferidos pelo SPSS e a tabela formatada com o cálculo do coeficiente de
variação no Excel.
Os valores grifados na TAB. 3 indicam os fatores que, nos clusters, foram similares
ao conjunto de dados completo. Com exceção do primeiro agrupamento, todos os
clusters tiveram, no mínimo, um fator com valor similar ao conjunto “full data”.
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%).
QUADRO 9
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 Todos sabem Ninguém sabe Ninguém sabe
trabalhar com prazos trabalhar com prazos trabalhar com prazos trabalhar com prazos
curtos curtos curtos curtos
Ninguém é Todos são Ninguém é
47% são organizados
organizado organizados organizado
Ninguém sabe 43% sabem 42% sabem Todos sabem
dimensionar o dimensionar o dimensionar o dimensionar o
volume de trabalho volume de trabalho volume de trabalho volume de trabalho
Fonte: Elaborado pelo autor com base no FIG. 13, com base na amostra de 2000 a 2010.
83
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.
Na dimensão profissional Intensidade operacional, ilustrada pela FIG. 13, 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
QUADRO 10
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 96% sofrem de stress 93% sofrem de
100% sabem trabalhar
stress ao trabalhar ao trabalhar com stress ao trabalhar
com prazos curtos
com prazos curtos prazos curtos com prazos curtos
76% são 62% são
47% são organizados 100% são organizados
perfeccionistas perfeccionistas
43% sabem 42% sabem
100% sabem
93% são work-a- dimensionar o volume dimensionar o volume
dimensionar o
holic de trabalho, mas 51% de trabalho, mas 54%
volume de trabalho
são work-a-holic são work-a-holic
Fonte: elaborado pelo autor com base na FIG. 13, com base na consulta ao banco de dados
analítico da amostra dos anos de 2000 a 2010 com 8832 registros.
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.
87
5 CONCLUSÃO
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.
91
REFERÊNCIAS
APP. Desenvolvido por Maria Lúcia Rodrigues Corrêa, 2003. Site e-commerce.
Disponível em: <http://www.appweb.com.br>. Acesso em: 8 dez. 2009.
BROWN, A.; BARTRAM, D. Doing less but getting more: improving forced-choice
measures with IRT. In: ANNUAL CONFERENCE OF THE SOCIETY FOR
INDUSTRIAL, 24., 2009. Disponível em: http://www.shl.com/OurScience
/Documents/Doing%20less%20but%20getting%20more%20SIOP%202009%20pape
r%20updated.pdf. Acesso em: 20 fev. 2010.
CIOS, Krzysztof et al. Data Mining: a knowledge discovery approach. New York:
Springer Science, 2007.
GILLIES, A.; HART, A. On the use of graphical techniques to describe profiles and
quality. Total Quality Management, [S. l.], v. 3, n. 1, 1992.
PAPI. General Information and description of the instrument. Cubiks (PA Group
Company). 2003.
Características Avaliação
Validade do Constructo
Validade do Critério
Confiabilidade global
Fonte: <http://www.psychtesting.org.uk/test-registration-and-test-reviews/test-registration.cfm
?page=evalsummary &Test_ID=60>. Acesso em: 2 abr. 2010.
10
<http://www.psychtesting.org.uk>. Acesso em: 2 abr. 2010.
95
A ferramenta WEKA foi instalada num laptop com processador AMD Turion X2 Dual-
core Mobile RM-72 com 2.1GHz. O equipamento possuía 4 gigabytes de memória
RAM, porém indicava a utilização de 2,75 gigabytes. Foi utilizado o sistema
operacional Windows, na versão 7 Ultimate, de 32 bits. A memória secundária (hard
disk) total era de 285 gigabytes, sendo que destas 182 gigabytes estavam livres.