Radar de Absenteísmo
Um painel de absenteísmo que separa sinal de ruído, sem expor pessoas.
Dados fictícios. A empresa (Vallora Logística S.A.), suas unidades, gestores e funcionários não existem. Construí a base do zero, em Python, para reproduzir problemas que aparecem em bases reais. Nenhum número desta página descreve uma organização real.
O problema
Um operador logístico com quatro centros de distribuição e cerca de 1.250 pessoas acompanhava o absenteísmo por um único número mensal. Em dois anos ele não se mexeu: 3,77% em 2024 e 3,77% em 2025. Para a diretoria, o tema estava sob controle.
Os gerentes de operação discordavam. Falavam em mais horas extras para cobrir faltas no turno da noite e em mais acidentes com gente recém-contratada. O número estava certo e a percepção também; faltava um jeito de ver as duas coisas juntas.
O que o painel mostrou
- A estabilidade era aritmética. O fim de um surto de doenças infecciosas e menos afastamentos longos compensaram uma alta de 8% nas demais ausências de curta duração.
- A piora tinha endereço. Em duas equipes do turno da noite de Duque de Caxias, uma de Separação e outra de Expedição, a taxa de curta duração foi de 3,5% para 6,5% a partir de abril de 2025. O resto da unidade e a noite das outras unidades não mudaram. As duas equipes tinham trocado de supervisor semanas antes: uma pista para investigar, não uma conclusão.
- A noite pesa mais em toda a empresa (razão de taxas ajustada de 1,31), e recém-admitidos faltam 1,8 vez mais.
- Poucos eventos concentram muitas horas: 1,6% dos eventos respondem por 34% das horas perdidas.
- Uma associação aparente era falsa. Equipes grandes pareciam faltar mais, mas a única equipe muito grande era noturna. Separando por turno, o efeito some.
Galeria
Clique numa tela para ampliar.
Como foi construído
Os dados. Treze tabelas no formato de exportação de um ERP brasileiro: cadastro pseudonimizado de 1.826 pessoas, jornada prevista dia a dia (662 mil linhas) e 13,6 mil eventos de ausência. Registrar a jornada prevista de cada dia é o que permite calcular a taxa em horas tratando direito atrasos, jornadas parciais, férias e admissões no meio do mês. Também injetei 146 defeitos típicos de extração (duplicidades, datas invertidas, chaves órfãs, grafias diferentes) para que o tratamento tivesse algo concreto a resolver.
O tratamento. 26 consultas em Power Query limpam e validam a base. Uma página do painel mostra o que foi corrigido e quanto, para o leitor saber se pode confiar nos números.
O modelo. Esquema estrela com três tabelas fato de grãos diferentes (jornada, ausência por dia e evento) e 97 medidas DAX, organizadas por tema.
A estatística. Três escolhas definem o projeto:
- Decompor antes de comparar. A taxa total é sempre separada em curta duração (até 15 dias, a parte que o gestor influencia) e longa duração (afastamentos acompanhados pela saúde ocupacional).
- Exigir evidência antes de alarmar. Uma área só aparece como crítica se o desvio for grande e estatisticamente consistente (escore z da frequência de eventos). Uma equipe de seis pessoas com um afastamento longo não dispara alerta.
- Testar as associações óbvias. Um modelo binomial negativo, ajustado por unidade, departamento, turno, idade, sexo, tempo de casa e ano, separou o que se sustenta (turno da noite, tempo de casa, unidade) do que não se sustenta (tamanho da equipe, sexo).
O relatório como código. Uma especificação única descreve cada visual (posição, campos, medidas e a pergunta que ele responde). A partir dela, um script em Python gerou a primeira versão do relatório, no formato de projeto do Power BI, da documentação e dos wireframes. Depois, o painel foi refinado no Power BI Desktop. Um script de auditoria continua conferindo que toda medida usada existe no modelo e que os números citados batem com a base.
Privacidade como requisito. Sem nome, CPF ou e-mail; motivos de saúde só agregados; grupos com menos de 10 pessoas suprimidos; segurança em nível de linha por unidade e por gestor; e um aviso explícito de que o painel não serve para punir ninguém.
O que este projeto demonstra
- Entender o negócio antes de abrir o Power BI: a pergunta certa era “onde a taxa piorou”, não “qual é a taxa”.
- Modelagem dimensional e DAX em uma base com grãos diferentes e regras de cálculo que fazem diferença no resultado.
- Estatística aplicada a decisões: decomposição, testes de consistência e controle de fatores de confusão, sem confundir associação com causa.
- Design e comunicação: cada página responde uma pergunta, com status sempre acompanhado de rótulo e paleta sóbria.
- Governança e privacidade: regras documentadas, qualidade dos dados visível e proteção de grupos pequenos.
Quer este painel com os dados da sua empresa?
A mesma estrutura funciona com a exportação do seu sistema de folha ou de ponto. Me conte como os dados estão hoje e eu digo o que dá para fazer.