Opção pelo Registro Eletrônico dos Empregados Apenas os empregadores que optarem pelo registro eletrônico de empregados estarão aptos à substituição do livro de registro de empregados. A opção pelo registro eletrônico é feita por meio do campo {indOptRegEletron} do evento S-1000 - Informações do Empregador/Contribuinte/Órgão Público. Os empregadores que ainda não optaram pelo registro eletrônico poderão fazê-lo enviando novo evento S-1000. Os que não optarem pelo registro eletrônico continuarão a fazer o registro em meio físico. Nesse caso, terão o prazo de um ano para adequarem os seus documentos (livros ou fichas) ao conteúdo previsto na Portaria. Os dados de registro devem ser informados ao eSocial até a véspera do dia de início da prestação de serviços pelo trabalhador. Por exemplo, empregado que começará a trabalhar no dia 5 deverá ter a informação de registro prestada no sistema até o dia 4.

Informações para a Carteira de Trabalho Digital

Além do registro de empregados, os dados do eSocial também alimentarão a Carteira de Trabalho Digital. A CLT prevê o prazo de 5 (cinco) dias úteis para a anotação da admissão na CTPS. Contudo, se o empregador prestar as informações para o registro de empregados, no prazo correspondente, não precisará informar novamente para fins da anotação da carteira, pois terá cumprido duas obrigações com uma única prestação de informações.">
Métodos de classificação e regressão que ajudam na tomada de decisão – Blog SESI de Saúde e Segurança
descer
SESI
Métodos de classificação e regressão que ajudam na tomada de decisão

Atualmente, vivemos em um tempo onde estamos cercados de um grande volume de dados gerados pelo avanço da internet. São dados com valores significativos que podem ajudar as empresas a atuarem de forma preventiva, antevendo determinadas situações. Podemos considerar, por exemplo, um empresário de uma indústria que deseja identificar se os trabalhadores que têm uma vida sedentária estão produzindo menos durante o período de tempo de um mês. Nesse caso, podemos mensurar a quantidade de produtos produzidos pela indústria durante o período desejado e quais trabalhadores mantém uma vida de exercícios ativa e inativa. Assim, teremos uma predição assertiva que ajudará o empresário dessa empresa a investir em programas de qualidade de vida que possam promover as práticas de exercícios físicos necessários para melhorar a produção.

Desta forma, a análise preditiva pode ser utilizada, assim como ilustrado acima, para extrair informações de um conjunto de dados da empresa, a fim de determinar padrões e resultados futuros.

A análise preditiva pode ser entendida como um processo que permite descobrir o relacionamento existente entre os exemplares de um conjunto de dados, descritos por uma série de características (atributos descritivos), e os rótulos a eles associados (atributos de classe). A forma mais clara para entender o método de predição é partir de duas situações: se estamos querendo realizar uma predição caracterizada como regressão, a partir de dados numéricos, ou se estamos querendo realizar uma predição do tipo de classificação, que parte de dados categóricos.

A modelagem preditiva é realizada através de uma série de técnicas analíticas e estatísticas, utilizadas para o desenvolvimento de modelos que podem prever eventos futuros a partir de comportamentos diários, incluindo análise de séries temporais ou modelos de regressão. Existem diferentes formas de modelos preditivos que variam de acordo com o evento ou comportamento que está sendo previsto. Quase todos os modelos preditivos produzem uma pontuação. Uma pontuação mais elevada indica que um dado evento ou comportamento é muito provável que ocorra. A análise preditiva permite que as empresas utilizem Big Data para se deslocar de uma visão histórica a uma análise prospectiva do cliente.

Com o objetivo de trazer informações assertivas às organizações, essa metodologia utiliza mineração de grandes bases de dados de clientes – ou de segmento industrial ou banco de dados epidemiológicos – para prever eventos futuros. Essas ferramentas estatísticas servem para construir um modelo de classificação e modelo de regressão baseado nas informações de uma grande massa de dados históricos, possibilitando a visão de escores mais fortes para cada modelagem realizada, para assim, identificar um modelo com valores preditivos.

Ana Lívia Castro

Sobre o Autor: Ana Lívia Castro

Especialista em Inteligência de Mercado pela Saint Paul Escola de Negócios, bacharel em Estatística pela Universidade Federal do Ceará - UFC, cursando Formação de Cientista de Dados pelo Instituto Data Science Academy. Estaticista pelo Centro de Inovação SESI em Economia para Saúde e Segurança, atua com pesquisa e projetos de inovação em Saúde e Segurança do Trabalho na construção de análises de dados e estudos epidemiológicos dos trabalhadores das indústrias do estado do Ceará.
Comentar