Gerência de Contratos e Serviços

O planejamento deve iniciar com a instanciação dos riscos inerentes ao contrato, a partir da Base de Riscos registrada no SGO.

Riscos classificados como Alta ou Média prioridade devem permanecer em aberto até que sejam tratados e considerados não mais viáveis de ocorrência. Esses riscos exigem monitoramento contínuo, com registro das ações de mitigação e/ou contingência realizadas.

Riscos de Baixa prioridade podem ser fechados no momento de sua criação, não sendo necessário mantê-los sob monitoração contínua, embora permaneçam registrados para fins históricos e de aprendizado organizacional.

O monitoramento de riscos consiste na atualização periódica da sua avaliação, reconhecendo que a probabilidade pode variar ao longo do tempo conforme a execução do contrato e as ações implementadas.

O acompanhamento deve ser realizado com base na Base de Riscos instanciada no SGO, sendo formalizado por meio de registros de monitoramento elaborados periodicamente pelos gestores, nos quais devem constar também as ocorrências de mitigação ou contingência aplicadas.

Sempre que necessário, a Base de Riscos poderá ser atualizada, ajustando a prioridade e/ou o impacto conforme os resultados históricos observados na execução dos contratos. Assim, garante-se que o monitoramento dos riscos seja um processo contínuo, adaptativo e orientado por evidências, permitindo capturar a efetividade das ações e promovendo aprendizado organizacional.

A resolução de um risco ocorre quando são implementadas ações que reduzem sua probabilidade de ocorrência ou diminuem o impacto caso venha a se materializar. Ao atuar sobre esses fatores, a prioridade do risco pode ser reclassificada em níveis mais baixos, refletindo a efetividade das medidas adotadas.

Sempre que houver alteração na probabilidade ou no impacto, a Base de Riscos do contrato deve ser atualizada no SGO, garantindo a rastreabilidade das mudanças e a transparência no acompanhamento do contrato.

O uso de gatilho (trigger) para riscos é uma estratégia utilizada para orientar e melhorar o gerenciamento dos riscos dos contratos. O gatilho é a condição objetiva que define o momento em que a estratégia de contingência deve ser acionada. Ele funciona como um limite ou marco previamente definido, que indica a elevação da probabilidade ou do impacto de um risco a um nível em que a simples mitigação não é mais suficiente.

Por exemplo, se o risco identificado for a possibilidade de o servidor atingir 100% da capacidade de armazenamento, um gatilho pode ser definido em 80% de ocupação. Quando esse patamar é atingido, a contingência planejada (ex.: expansão emergencial do espaço, aquisição temporária de recursos ou realocação de serviços) deve ser imediatamente executada.

No processo de monitoramento, cabe ao gerente de contrato ou preposto acompanhar os indicadores e acionar a contingência assim que o gatilho for alcançado, garantindo a continuidade do serviço e a redução do impacto do risco.

Para cada oportunidade identificada para o projeto e processos, deve classificar o grau de custo e o benefício.

O índice de exposição e priorização das Oportunidades é baseado em custo e benefício, conforme tabela abaixo.

Grau de Oportunidade: O grau de oportunidade identifica a importância da oportunidade, através da análise do custo x benefício.

Abaixo, a estratégia definida para estabelecer ações em relação às oportunidades baseadas no grau de oportunidade.

Os planos de ação para as oportunidades devem ser registrados nas ocorrências de riscos e oportunidades no SGO incluindo estimativas de tamanho, esforço, tempo e custo.

No monitoramento do Projeto ou de processos, podem ocorrer as situações abaixo:

Identificar as oportunidades levando em consideração, a fonte de oportunidades abaixo:

Estratégias para responder às oportunidades:

1. Explorar: É o desejo de garantir que a oportunidade aconteça e se concretize durante o Projeto. Exemplo: Certificar um profissional para a participação da empresa em uma licitação que exige tal certificação;

2. Compartilhar: Unir-se a um ou mais terceiros que tenham maior qualificação para capturar a oportunidade em benefício do Projeto. Exemplo: Montar um consórcio de empresas com parceiros que já tenham as qualificações exigidas para a participação em uma determinada licitação;

3. Melhorar: Procurar facilitar ou aumentar as possibilidades de que a oportunidade aconteça. Exemplo: Finalizar o Projeto atual dentro dos objetivos do cliente, pensando em futuras oportunidades de novos Projetos;

4. Aceitar: Quando não é possível aplicar nenhuma das outras estratégias, e a equipe deseja a oportunidade, mas sem o objetivo de aplicar esforços para que ela aconteça.

Foram testados dois modelos de predição:

As métricas de avaliação de resultado dos modelos são o MSE (Mean Square Error) e o MAE (Mean Absolute Error,) pois fornecem perspectivas complementares sobre o erro do modelo. A distinção entre elas foi fundamental para a análise, especialmente no tratamento de outliers.

MAE (Erro Absoluto Médio):

O MAE calcula a média do erro absoluto, dando o mesmo peso a todos os erros.

Vantagem: É mais robusto a outliers e fornece uma medida do erro mais intuitiva, representando o desvio médio real do modelo. A queda brusca do MAE após o tratamento de outliers confirmou que eles distorciam significativamente a média do erro.

MSE (Erro Quadrático Médio):

O MSE calcula a média do erro quadrado.

Vantagem: O MSE penaliza erros maiores de forma mais acentuada. É útil quando grandes desvios da previsão são particularmente indesejáveis.

A análise conjunta do MAE e do MSE é crucial. O MAE nos deu uma visão realista do erro médio do modelo, enquanto o MSE destacou a presença e o impacto de erros significativos, orientando a remoção dos outliers.

Para o teste utilizamos dados históricos de contratação de janeiro de 2024 a dezembro de 2024. Analisando os dados encontramos presença de 6 outliers com valores acima de 50 dias. Para melhorar a estabilidade e a precisão do modelo foi decidido retirar esses outliers.

Por exemplo, no caso da árvore de decisão seguem os erros médios encontrados:

Antes da Remoção dos Outliers:

Após a Remoção dos Outliers:

As implicações da retirada dos outliers são:

Uma etapa crucial na seleção do modelo preditivo é entender como a "importância" de uma variável é definida em diferentes algoritmos.

A Regressão Linear Múltipla oferece uma interpretação direta da influência de cada variável, enquanto a Árvore de Decisão, embora menos interpretável, tende a capturar melhor as relações não-lineares e interações complexas entre as variáveis. O fato de a Árvore de Decisão ter alcançado um desempenho superior em termos de métricas, pois as relações entre os dados não são estritamente lineares.

Seleção de Atributos (Feature Selection)

A análise de importância das variáveis no modelo de Árvore de Decisão revelou que a variável presencial possuía uma contribuição insignificante.

A remoção desta variável simplificou o modelo, resultando em uma pequena melhora adicional nas métricas:

Fase 4: Ajuste de Hiper-parâmetros

Uma busca em grade (Grid Search) foi conduzida para otimizar os hiperparâmetros do modelo de Árvore de Decisão.

A melhor configuração encontrada foi: max_depth: 3, min_samples_leaf: 4, e min_samples_split: 2.

Embora a validação do modelo com os hiperparâmetros ajustados tenha retornado um MSE (63.34) e um MAE (6.23) ligeiramente superiores à fase anterior, a diferença foi insignificante. A principal contribuição desta etapa foi confirmar que um modelo mais simples (com profundidade 3) é o ideal para os dados, evitando o overfitting.

Com base nesta validação final, a Linha de Base de Performance (PPB) oficial do processo foi estabelecida:

Modelo Selecionado: Arvóre de decisão.

Erro médio ao quadrado: 5,8 dias

Estabilidade: O modelo opera de forma consistente, com diferenças de predição variando de -2 a +2 dias de margem de erro na predição.

A análise exploratória inicial dos dados revelou que as ausências são eventos raros, com a grande maioria dos registros (mais de 90%) apresentando zero dias de desconto. Diante disso, a abordagem inicial de tentar prever a Percentagem a receber (um problema de regressão) foi descartada por ser estatisticamente instável e de baixo valor prático.

A decisão metodológica foi reformular o problema como uma classificação binária: prever a probabilidade de um funcionário ter ou não ao menos uma ausência em um determinado mês (Teve Ausência, Sim ou Não). Esta abordagem se mostrou mais robusta e diretamente alinhada com a necessidade de negócio de identificar potenciais riscos.

Foram testados três modelos de classificação:

O teste foi realizando utilizando um conjunto de dados inicial de um ano. Nos testes preliminares, o modelo XGBoost demonstrou a maior capacidade de detecção (Taxa de Detecção/Recall) dos casos de ausência, sendo selecionado como o protótipo para uma fase de validação mais rigorosa.

Para estabelecer uma Linha de Base de Desempenho de Processo (Process Performance Baseline - PPB), foi conduzido um backtest cronológico simulando o desempenho do modelo XGBoost ao longo de 19 meses. Esta análise foi crucial e revelou uma instabilidade significativa no desempenho. A Taxa de Detecção variava drasticamente de um mês para o outro (entre 27% e 92%), indicando que o processo, com as variáveis disponíveis, não estava sob controle estatístico e não era confiável para uso em produção.

A causa raiz da instabilidade foi identificada como a falta de variáveis preditivas robustas. O processo foi então otimizado por um extenso trabalho de engenharia de atributos, centralizado no dbt para garantir consistência e governança. O escopo dos dados foi ampliado para três anos (08/2022 a 07/2025) e foram adicionadas novas variáveis-chave, incluindo:

Um novo backtest comparativo foi executado com o conjunto de dados enriquecido. Os resultados demonstraram, de forma conclusiva a superioridade do modelo de Regressão Logística. O modelo mais simples, quando alimentado com dados de alta qualidade, provou ser não apenas o de melhor desempenho, mas também o mais estável.

Com base nesta validação final, a Linha de Base de Performance (PPB) oficial do processo foi estabelecida:

Modelo Selecionado: Regressão Logística.

Taxa de Detecção (Recall) Média: 62%.

Estabilidade: O modelo opera de forma consistente, com o recall variando em uma faixa controlada de 56% a 72%, uma melhora drástica em relação aos testes iniciais. Isso pode ser visto no gráfico acima.

Guia de Gerenciamento de Riscos Base de Riscos Guia de Análise Estatística para Alta Maturidade