Análise estatística e preditiva do absenteísmo e sua correlação com indicador de produtividade em uma multinacional do setor metalmecânico

Abstract

O presente trabalho tem como objetivo analisar o indicador de Absenteísmo em uma indústria do setor metalmecânico, buscando compreender seu comportamento histórico, suas tendências, fatores sazonais, possibilidade de previsão além de sua possível correlação com indicadores de eficiência produtiva. A pesquisa foi desenvolvida com dados coletados entre os anos de 2019 e 2025, contemplando informações de absenteísmo (%), horas trabalhadas, horas não trabalhadas e eficiência produtiva (%). O trabalho adota metodologia estatística de correlação e análise de séries temporais com utilização do software R. Os resultados demonstram que o absenteísmo possui variações sazonais em períodos específicos e que exibiu uma tendência de crescimento até meados de 2022, passando por uma subsequente melhora, até atingir patamares mais consistentes até os dias de hoje. As análises de correlação indicaram tendência mediana positiva entre absenteísmo e horas trabalhadas, indicando possíveis problemas ocasionados pela maior cobrança em períodos de alta produção. Não apresentando correlação com significância estatística, os dados de horas não trabalhadas e eficiência produtiva demonstram caráter negativo, mas necessitam de uma avaliação com período mais longo. A previsão com modelo ARIMA apresentou bom desempenho estatístico e preditivo, com erro percentual médio (MAPE) de aproximadamente 11,8% e resíduos sem autocorrelação significativa, indicando um ajuste adequado e parcimonioso. Conclui-se que o monitoramento contínuo deste indicador permite uma avaliação mais assertiva e estratégica das operações da fábrica, com ênfase na excelência operacional e aproveitamento dos recursos humanos. Também reforça o papel de uma gestão que se baseia e atua com dados como instrumentos de apoio às tomadas de decisão estratégicas num contexto de indústria 4.0.

This study aims to analyze the absenteeism indicator in a metal-mechanic industry, seeking to understand its historical behavior, trends, seasonal patterns, forecasting potential, and its possible correlation with productive efficiency indicators. The research was conducted using data collected between 2019 and 2025, including absenteeism rates (%), hours worked, hours not worked, and productive efficiency (%). The methodological approach consists of statistical correlation analysis and time series modeling using the R software. The results show that absenteeism exhibits seasonal fluctuations in specific periods and that it followed an upward trend until mid-2022, subsequently improving and stabilizing in more consistent levels thereafter. Correlation analyses indicated a moderate positive relationship between absenteeism and hours worked, suggesting potential issues arising from increased workload during highproduction periods. Although no statistically significant correlation was found, the data on hours not worked and productive efficiency show a negative pattern, however, they require evaluation over a longer period. The ARIMA forecasting model presented strong statistical and predictive performance, with a mean absolute percentage error (MAPE) of approximately 11.8% and residuals without significant autocorrelation, indicating an adequate and parsimonious fit. The findings highlight that continuous monitoring of absenteeism enables more accurate and strategic assessments of manufacturing operations, emphasizing operational excellence and better utilization of human resources. Moreover, the results reinforce the importance of data-driven management as a decision-making tool within the context of Industry 4.0.