Análise Dos Resultados Da Avaliação de Potencial e Perfil (App) em Profissionais Brasileiros, Com Uso de Data Mining

CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS
Mestrado em Educação Tecnológica
Leandro Libério da Silva
ANÁLISE DOS RESULTADOS DA AVALIAÇÃO DE POTENCIAL E

PERFIL (APP) EM PROFISSIONAIS BRASILEIROS, COM USO DE
DATA MINING
Belo Horizonte - MG
2010
Leandro Libério da Silva
ANÁLISE DOS RESULTADOS DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP)

EM PROFISSIONAIS BRASILEIROS, COM USO DE DATA MINING
Dissertação apresentada ao curso de Mestrado

em Educação Tecnológica do Programa de Pós-
Graduação Stricto Sensu do Centro Federal de
Educação Tecnológica de Minas Gerais –
CEFET-MG, como requisito parcial à obtenção do
título de Mestre em Educação Tecnológica.
Área de Concentração: Educação Tecnológica
Linha de Pesquisa: Tecnologia da Informação e

Educação
Orientador: Prof. Dr. Heitor Garcia de Carvalho
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.
1. Tecnologia Educacional. 2. Sistemas de Informação. 3. Área de

concentração: Educação Tecnológica – Dissertação. I. Carvalho, Heitor
Garcia de. II. Centro Federal de Educação Tecnológica de Minas Gerais,
Programa de Pós-Graduação Mestrado em Educação Tecnológica de
Minas Gerias III.Título.
Mestrado em Educação Tecnológica Programa de
Pós-Graduação Stricto Sensu Centro Federal de
Educação Tecnológica de Minas Gerais – CEFET-
MG,
Dissertação intitulada “Análise dos resultados da avaliação de potencial e perfil

(APP) em profissionais brasileiros, com uso de data mining”, de autoria do
mestrando Leandro Libério da Silva, aprovada pela Banca Examinadora constituída
pelos seguintes professores:
____________________________________________________
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
Belo Horizonte, 18 de agosto de 2010

Dedico esta dissertação aos meus pais, João e Lenir,
pelo amor, fé e incentivo.
Que este trabalho seja um brinde à dedicação que vocês
sempre tiveram por mim.
AGRADECIMENTOS
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.
À amiga e autora da APP, Maria Lúcia Rodrigues Corrêa, que proporcionou

condições para o desenvolvimento deste trabalho. Uma amizade intensa, que, além
de me transformar como pessoa, mostrou-me novos rumos.
Ao Prof. Allan Claudius Queiroz Barbosa, pela disponibilidade e interesse na

avaliação do meu trabalho.
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.
Aos professores, colegas e funcionários do CEFET-MG, em especial aos Profs. Drs.

Jerônimo Coura-Sobrinho e José Wilson; Rodrigo Nogueira e Fábio Vasconcelos.
Nesta trajetória desses anos de estudos, várias pessoas contribuíram de alguma

forma com este trabalho. A todos, com quem dialoguei e troquei informações, o meu
muito obrigado.
"Somos todos anjos de uma asa só,
e só podemos voar...
quando abraçados uns aos outros"
(Autor desconhecido)
“Se eu deixasse algum presente a você

deixaria aceso o sentimento de amar a vida dos seres humanos.
A consciência de aprender tudo o que foi ensinado pelo tempo afora.
Lembraria os erros que foram cometidos para que não mais se repetissem.
Deixaria para você, se houvesse, o
respeito àquilo que é indispensável:
Além do pão, o trabalho.
Além do trabalho, a ação.
E quando tudo mais faltasse, um segredo:
o de buscar no interior de si mesmo a resposta
e a força para encontrar a saída.”
(Mahatma Gandhi)
RESUMO
Utilizaram-se algoritmos de clusterização para descoberta de conhecimento em base

de dados (KDD) a partir de investigação exploratória com a ferramenta open source
Waikato Environment for Knowledge Analysis (WEKA). O objetivo do trabalho foi
investigar o perfil de profissionais brasileiros com base nos resultados da Avaliação
de Potencial e Perfil (APP). A APP, autoavaliação para mapear vinte fatores
profissionais e comportamentais, foi utilizada em milhares de profissionais brasileiros
desde 1979. Este instrumento é uma versão brasileira desenvolvida pela psicóloga
Maria Lúcia Rodrigues Corrêa, baseada no inventário construído na década de
sessenta, pelo Dr. Max Kostick, do State College of Boston. Foi gerada uma amostra
significativa a partir da base de dados analítica de 8.832 resultados produzidos entre
os anos de 2000 a 2010. Os resultados apoiados nos dados elicitaram conhecimento
anteriormente implícito sobre quatro grupos de respondentes. Foram indicados três
fatores com maior interesse de discriminação em relação ao conjunto de dados
completo. Para conclusões, além dessas diferenças, as similaridades dos demais
fatores também foram confrontadas com as premissas teóricas da APP, a fim de
definir potenciais características autopercebidas dos respondentes brasileiros quanto
ao seu comportamento nas relações de trabalho.
Palavras-chave: Autoavaliação. Avaliação de potencial e perfil. Clusterização.

Descoberta de conhecimento. Mineração de dados.
ABSTRACT
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.
Keywords: Self-assessment. Assessment potential and profile. Custering.

Knowledge discovery. Data mining.
LISTA DE FIGURAS
FIGURA 1 – EXEMPLO DA HIERARQUIA ENTRE DADO, INFORMAÇÃO E

CONHECIMENTO NO PROCESSO DE KDD. ................................................. 26
FIGURA 2 – FLUXOGRAMA DO ALGORITMO K-MEANS ................................................... 30
FIGURA 3 – ESQUEMA ESTRELA COMO REPRESENTAÇÃO GRÁFICA DO

PARTICIONAMENTO DE TRÊS CLUSTERS .................................................. 31
FIGURA 4 – TELA DA FERRAMENTA WEKA ...................................................................... 32
FIGURA 5 – ESQUEMA CIRCULAR DO PAPI ..................................................................... 36
FIGURA 6 – FRAMEWORK DE EDUCAÇÃO CONTINUADA - APP .................................... 37
FIGURA 7 – RECORTE DA TELA DE CADASTRO DO INVENTÁRIO ON-LINE DA APP... 40
FIGURA 8 – RECORTE DO EXEMPLO DE RELATÓRIO INDIVIDUAL – VERSÃO

COACHING – COM 3 FATORES DA APP. ...................................................... 41
FIGURA 9 – GRÁFICO DE FREQUÊNCIA DO EXEMPLO DE RELATÓRIO INDIVIDUAL –

VERSÃO COACHING....................................................................................... 42
FIGURA 10 – CLASSIFICAÇÃO DAS FAIXAS DE ESCORE DOS FATORES DA

AVALIAÇÃO DE POTENCIAL E PERFIL (APP) EM RELAÇÃO AO
POTENCIAL INDIVIDUAL ................................................................................ 43
FIGURA 11 – GRÁFICO DE BARRAS DO EXEMPLO DE RELATÓRIO INDIVIDUAL ........ 44
FIGURA 12 – GRÁFICO DE PIZZA DO EXEMPLO DE RELATÓRIO COLETIVO – FATOR

PLANEJAMENTO DA APP ............................................................................... 46
FIGURA 13 - RELATÓRIO DE RESULTADO DA TAREFA DE CLUSTERIZAÇÃO WEKA –

20 FATORES DA APP ...................................................................................... 78
LISTA DE GRÁFICOS
GRÁFICO 1 – DISTRIBUIÇÃO DE FREQUÊNCIA POR REGIÃO DAS RESPOSTAS DA

AVALIAÇÃO DE POTENCIAL E PERFIL (APP) – PERÍODO 2009 A 2010. . 54
GRÁFICO 2 – DISTRIBUIÇÃO DE FREQUÊNCIA POR FAIXA ETÁRIA E SEXO NAS

RESPOSTAS DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) – PERÍODO
DE 2000 A 2010 ............................................................................................. 60
GRÁFICO 3 – DISTRIBUIÇÃO DE FREQUÊNCIA POR ANO (APLICAÇÃO) E SEXO

(RESPONDENTES) NAS RESPOSTAS DA AVALIAÇÃO DE POTENCIAL E
PERFIL (APP) – PERÍODO DE 2000 A 2010 ................................................ 61
GRÁFICO 4 – DISTRIBUIÇÃO DE FREQUÊNCIA POR ANO CARGO DAS RESPOSTAS

DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) – PERÍODO DE 2000 A
2010................................................................................................................ 63
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 ........................ 65
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 ........................ 66
GRÁFICO 7 – PORCENTAGEM DE RESPONDENTES COM POTENCIAL IDEAL NOS

FATORES DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) - PERÍODO
DE 2000 A 2010 ............................................................................................. 68
GRÁFICO 8 – PORCENTAGEM DE RESPONDENTES COM POTENCIAL INSUFICIENTE

NOS FATORES DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) -
PERÍODO DE 2000 A 2010............................................................................ 71
GRÁFICO 9 – PORCENTAGEM DE RESPONDENTES COM POTENCIAL EXCEDENTE

NOS FATORES DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) -
PERÍODO DE 2000 A 2010............................................................................ 75
GRÁFICO 10 – COMPARATIVO DOS FATORES DE MAIOR COEFICIENTE DE
VARIAÇÃO ENTRE OS 4 CLUSTERS E O CONJUNTO “FULL DATA” DA
AVALIAÇÃO DE POTENCIAL E PERFIL (APP) – PERÍODO DE 2000 A
2010 ............................................................................................................. 81
GRÁFICO 11 – POTENCIAL DO FATOR TEMPO DE EXECUÇÃO DA AVALIAÇÃO DE

POTENCIAL E PERFIL (APP) QUE CARACTERIZOU OS 4 CLUSTERS
IDENTIFICADOS NA AMOSTRA – PERÍODO DE 2000 A 2010 ................. 83
GRÁFICO 12 – POTENCIAL DO FATOR ORGANIZAÇÃO DA AVALIAÇÃO DE POTENCIAL

E PERFIL (APP) QUE CARACTERIZOU OS 4 CLUSTERS
GRÁFICO 13 – POTENCIAL DO FATOR INTENSIDADE OPERACIONAL DA AVALIAÇÃO

DE POTENCIAL E PERFIL (APP) QUE CARACTERIZOU OS 4 CLUSTERS
LISTA DE QUADROS
QUADRO 1 FATORES DO INVENTÁRIO PAPI .................................................................. 35
QUADRO 2 FATORES DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) ....................... 38
QUADRO 3 EXEMPLO DA RELAÇÃO ITEM E FATOR DA AVALIAÇÃO DE POTENCIAL E

PERFIL (APP) ................................................................................................... 39
QUADRO 4 MATRIZ DE CONVERSÃO DAS NOTAS DA APP DO FATOR

PLANEJAMENTO DA VERSÃO COACHING PARA BASE 10 ........................ 45
QUADRO 5 CRITÉRIOS DE INTERPRETAÇÃO COLETIVA DOS ESCORES DOS

FATORES PROFISSIONAIS DA AVALIAÇÃO DE POTENCIAL E PERFIL
(APP): PLANEJAMENTO, ORGANIZAÇÃO, ACOMPANHAMENTO,
LIDERANÇA E COMUNICAÇÃO...................................................................... 47
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.......................................................................... 48

COMPORTAMENTAIS DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP):
FLEXIBILIDADE/CRIATIVIDADE, ADAPTABILIDADE A MUDANÇAS,
RELAÇÃO COM AUTORIDADE E CONTROLE EMOCIONAL ........................ 49

COMPORTAMENTAIS DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP):
AFETIVIDADE, SOCIABILIDADE, AUTOIMAGEM, ENERGIA VITAL E
REALIZAÇÃO ................................................................................................... 50
QUADRO 9 CARACTERÍSTICAS DOS 4 CLUSTERS DA AVALIAÇÃO DE POTENCIAL E

PERFIL (APP) A PARTIR DE DADOS DICOTÔMICOS................................... 82
QUADRO 10 CARACTERÍSTICAS DOS 4 CLUSTERS DA AVALIAÇÃO DE POTENCIAL E

PERFIL (APP) A PARTIR DA BASE ANALÍTICA ............................................. 86
LISTA DE TABELAS
TABELA 1 DISTRIBUIÇÃO DA FREQUÊNCIA DE RESPOSTAS (EM %) POR SEXO E

FAIXA ETÁRIA DOS RESPONDENTES DA AVALIAÇÃO DE POTENCIAL E
PERFIL (APP) ...................................................................................................... 61
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 .................................................. 62
TABELA 3 FATORES ORDENADOS PELO COEFICIENTE DE VARIAÇÃO DOS 4

CLUSTERS DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) ....................... 79
LISTA DE ABREVIATURAS E SIGLAS
APP - Avaliação de Potencial e Perfil
ARFF - Attribute-Relation File Format
CEFET-MG - Centro Federal de Educação Tecnológica de Minas Gerais
CSV - Comma Separate Values
DDD - Discagem Direta à Distância
DBSCAN - Density-Based Spatial Clustering of Applications with Noise
DM - Data Mining
EM - Expectation Maximinization
INPI - Instituto Nacional de Propriedade Industrial
JVM - Java Virtual Machine
KDD - Knowledge Discovery in Databases
OLAP - On-line Analytical Processing
OPTICS - Ordering Points To Identify the Clustering Structure
PAPI - Personality and Preference Inventory
PDI - Plano (ou Programa) de Desenvolvimento Individual
PDG - Plano (ou Programa) de Desenvolvimento Gerencial
PHP - PHP: Hypertext Preprocessor
PTC - Psychological Testing Centre
RH - Recursos Humanos
SGBDs - Sistemas Gerenciadores de Banco de Dados
SIOP - Society for Industrial and Organizational Psychology
SPSS - Statistical Package for the Social Sciences
TICs - Tecnologias da Informação e da Comunicação
WEKA - Waikato Environment for Knowledge Analysis
WHOQOL - World Health Organization quality of life assessment instrument
XMEANS - Extending K-means

SUMÁRIO
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
Segundo Laudon e Laudon (2007), o uso convencional de banco de dados permite

consultas estruturadas que respondem quantitativamente sobre os dados. Um
método mais sofisticado seria o processamento analítico on-line (OLAP),
possibilitando uma análise multidimensional que permitiria, por exemplo, comparar
os respondentes com posições de liderança com aqueles com cargos subordinados,
numa perspectiva de tempo (ano) e espaço (região). Nestes dois casos, os usuários
precisam ter uma noção do que estão buscando.
Com a descoberta de conhecimento em base de dados, ou, em inglês, Knowledge

Discovery in Databases (KDD), pretende-se encontrar percepções distintas dos
métodos mais tradicionais, ao descobrir “novos” padrões: relacionamentos
atualmente ocultados por grandes volumes de dados.
Para Goldschimidt e Passos (2005), a técnica de data mining (DM), ou, em

português, mineração ou garimpagem de dados, é uma etapa do KDD que auxilia,
de forma automatizada, a tarefa humana do tratamento de grandes volumes de
dados, com operações sofisticadas, tais como o uso de redes neurais, algoritmos
genéticos e de lógica difusa (fuzzy).
No contexto da Sociedade da Informação, as organizações têm se apresentado com

estruturas cada vez mais horizontais, progressivamente gerando redes de trabalho
(CASTELLS, 2000). Essas redes exigem um novo estilo profissional, capaz de tomar
decisões, de usar e aplicar intensivamente informação e conhecimento, além de
colaborar com as mudanças (flexibilidade) e estratégias organizacionais.
Em função disso, os indivíduos passam a ter um importante papel e a assumir a

responsabilidade por seu desenvolvimento contínuo. Assim, percebe-se que o
capital humano das empresas é dotado de habilidades, conhecimentos, atitudes e
objetivos pessoais, tornando a formação geral do indivíduo uma estratégia
17
organizacional, de acordo com Fleury (2002). O investimento em desenvolvimento

seria o meio mais utilizado no processo de aprendizagem e disseminação de novas
competências.
Atualmente, o estudo e o uso de instrumentos de diagnóstico e gestão providos pela

área de psicologia organizacional (SIQUEIRA, 2008) têm sido muito demandados
pelos gestores de pessoas. Estes estudos tiveram seus primeiros trabalhos
desenvolvidos na Inglaterra e Estados Unidos, ainda na década de sessenta.
A Avaliação de Potencial e Perfil (APP) é um recurso de autoavaliação que pontua,

com escores de zero a dez, 20 fatores profissionais e comportamentais do indivíduo.
Conforme (CORRÊA, 2009), esse diagnóstico usa um formulário de resposta
forçada, composto de 100 pares de frases, apoiado na base teórica de um inventário
desenvolvido, na década de 60, pelo psicólogo Dr. Max Kostick, apresentado no
referencial teórico desta dissertação.
No Brasil, esses estudos datam da década de setenta e, segundo APP (2003), os

gestores de pessoas utilizam essas ferramentas para auxiliar a tomada de decisão
em processos de recrutamento e seleção, treinamento e desenvolvimento de
equipes, acompanhamento profissional (coaching), entre outras atividades ligadas à
área de Recursos Humanos (RH).
A aplicação desse instrumento por CORRÊA (2009), em milhares de profissionais,

propiciou a geração de um banco de dados eletrônico de uma amostra
genuinamente brasileira, composta de 8.832 relatórios individuais, coletada no
período compreendido entre os anos de 2000 e 2010.
Portanto, o objetivo desta pesquisa foi investigar o perfil desses profissionais

brasileiros com base nos resultados da Avaliação de Potencial e Perfil (APP),
utilizando essa amostra. E, com os recursos das tecnologias da informação e
comunicação (TICs), buscar aferir novos conhecimentos a partir dessa massa de
dados.
18
Esta investigação situou-se nas fronteiras das áreas da educação, administração,

psicologia e computação. Na próxima seção, é apresentada a problematização deste
estudo.
1.1 Problema
Albuquerque e Fischer (2004) apud Comini, Konuma e Santos (2008), realizaram um

estudo exploratório numa amostra de profissionais que ocupavam cargos de gestão
em áreas de RH de empresas que, em 2002, figuraram em revistas como as
“Maiores Empresas e Melhores Empresas para se Trabalhar”; professores e
consultores reconhecidos em RH. Os autores observaram que, em média, 60% das
avaliações individuais, sejam elas de desempenho, desenvolvimento ou de
resultado, geravam planos de desenvolvimento individual (PDI).
Para Pacheco et al. (2009), o processo de avaliação do plano de desenvolvimento

de pessoas é um componente fundamental e a escolha do seu modelo deve ser bem
criteriosa.
Um modelo a ser utilizado é o autodiagnóstico da APP, cujo conjunto de dados é

muito volumoso para uma análise de padrões de similaridade e, ou, diferenciação
por processos convencionais. Isso torna complexa a obtenção de subsídios de
tomada de decisão, por meio dos dados da APP, armazenados ao longo do tempo.
Uma alternativa seria avaliar a aplicação do processo de KDD como recurso para
tratamento das massas de dados e para evidenciar informações relevantes às
tomadas de decisão que estejam implícitas ou pouco destacadas.
Essa proposição sugere as seguintes questões norteadoras dessa pesquisa: que

informações relevantes e, atualmente, implícitas, estão disponíveis na base de
resultados da APP? Além disso, que perfil profissional é autopercebido pelos seus
respondentes?
19
1.2 Justificativa
A escassez de relatos de pesquisa, que utilizam técnicas de data mining em dados

coletados a partir de instrumentos de autopercepção das características
profissionais, é uma das principais razões de se empreender o presente trabalho.
Torna-se relevante que os gestores e colaboradores da empresa sejam capazes de

praticar sua autoavaliação visando tanto ao seu crescimento individual quanto ao do
seu grupo e da sociedade, com a obtenção de novas referências (inputs) para tal
desenvolvimento.
Atualmente, o desenvolvimento do indivíduo, dentro ou fora da escola, precisa ser

entendido dentro do contexto em que ele se dá (GRINSPUN, 2002). Com base
nisso, é importante considerarmos que os indivíduos necessitam, cada vez mais, de
aprimorar o uso desse tipo de informação. Além disso, das formas de aprendizagem
propostas por Antonello (2004), que propiciam o desenvolvimento de competências
do indivíduo, é a autoavaliação.
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
Jamil (2005) ressalta que a gestão da informação e do conhecimento não são um

mero “modismo”, mas um campo aberto à pesquisa interdisciplinar, permitindo a
contribuição de várias correntes e formas de pensamento, tais como a administração
e ciência da computação.
O processo de KDD, como estratégia metodológica de análise, por se tratar de uma

área da Inteligência Artificial, permite uma pesquisa exploratória de dados com
vistas a descobrir conhecimento implícito em banco de dados, e que pode contribuir
para diagnóstico e tomadas de decisões de gestores de pessoas, no contexto da
educação ou do trabalho.
Com base nisso, a relevância desta pesquisa consiste em apresentar para as

organizações e comunidade acadêmica a importância da análise das informações
coletadas por instrumentos de avaliação de pessoas com vistas ao aprimoramento
dos planos de desenvolvimento individual e coletivo.
.
Por fim, o autor desta dissertação possui um histórico pessoal e profissional que
serviu de background para a construção e transmissão de novos conhecimentos
sobre a questão da autoavaliação em contextos da educação e do trabalho. A sua
experiência agrega tanto a vivência no ensino e pesquisa na educação profissional e
tecnológica, desde 2002, quanto as responsabilidades da gestão de dados da APP,
que teve início em 2008.
1.3 Alinhamento à linha de pesquisa
A análise dos resultados da APP promove o avanço das pesquisas do Centro

Federal de Educação Tecnológica de Minas Gerais (CEFET-MG), em especial a
linha de Tecnologias da Informação e Educação, obedecendo a seus critérios de
excelência e tradição.
21
Segundo o CEFET-MG (2010)1, a pesquisa em Tecnologias da Informação e

Educação investiga o suporte das TICs recentes nos âmbitos da Educação
Presencial e a Distância.
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.
Portanto, percebe-se a sinergia com a situação apresentada por esta dissertação ao

investigar, com o uso de data mining, um instrumento de avaliação de pessoas com
vistas à coleta de dados para subsidiar a concepção de planos de treinamento e
desenvolvimento de pessoas como é o caso da APP.
1.4 Objetivo geral
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.
1.5 Objetivos específicos
 Apresentar os princípios teóricos que originaram o instrumento de

autoavaliação APP, descrevendo o processo atual da APP e a forma de
mensuração do nível de potencial e do perfil dos profissionais.
1
<http://www.et.cefetmg.br/site/sobre/pesquisa.html>. Acesso em 10 jan. 2010.
22
 Avaliar os resultados da APP, examinando as características identitárias

(sexo, idade e cargo) dos respondentes.
 Demonstrar os fatores multidimensionais do instrumento, sob a perspectiva de

análise coletiva dos profissionais brasileiros.
 Explorar os bancos de dados de respostas da APP, criando uma base de

dados analítica e investigando os resultados da APP, com uso de data
mining.
 Confrontar as perspectivas da teoria proposta pela APP e os resultados

demonstrados pelo processo de KDD.
1.6 Delimitação e aspectos restritivos
A pesquisa se restringirá ao exame do conjunto de dados acumulados e disponíveis,

em função das aplicações do questionário no período de 2000 a 2010. Há categorias
de colaboradores em que houve mais frequência de autoavaliações e há outras com
poucos respondentes. Houve diferentes proporções dos tipos de empresas e áreas
de atuação.
As conclusões e generalizações terão, por consequência, restrições e limitações

compatíveis com as características desse banco de dados e com a ótica da
autopercepção de seus respondentes.
1.7 Trabalhos relacionados
Nesta seção, buscou-se indicar trabalhos que tratam da aplicação de análise

exploratória com data mining em dados de inventários de recursos humanos.
23
No primeiro trabalho em que se percebeu maior aproximação dos assuntos tratados

nesta dissertação, Santos (2007) realizou um estudo de caso com universitários de
uma instituição pública com o instrumento World Health Organization quality of life
assessment instrument (WHOQOL), que avalia a qualidade de vida dos indivíduos.
De acordo com Santos (2007) tomaram-se as técnicas de Regras de Associação em

mineração de dados como abordagem para o processo de descoberta de
conhecimento implícito na base de dados do WHOQOL. Tal tarefa visou auxiliar o
gestor de empresas, em suas tomadas de decisões, para melhoria do estado de
qualidade de vida das pessoas.
Outro trabalho que colaborou com o entendimento dos princípios de construção da

Avaliação de Potencial e Perfil (APP) foi a dissertação de Welter (2007), que se
propôs a identificar evidências de validade e confiança do instrumento Humanguide.
Segundo Welter (2007) Humanguide é um instrumento de avaliação psicológica, que

é administrado via internet e utiliza um formulário ipsativo, que objetiva, no contexto
organizacional, apreender o perfil motivacional de adultos
1.8 Estrutura do trabalho
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.
Em sequência, o referencial teórico está dividido em duas partes. Na primeira parte

são conceituados os processos de descoberta de conhecimento em base de dados,
a mineração de dados, a tarefa de agrupamentos (clusterização).
Subsequentemente são descritas a origem e características da Avaliação de
Potencial e Perfil, que são objeto deste estudo.
24
O processo metodológico, apresentado no terceiro capítulo, relata a abordagem

metodológica, o objeto de pesquisa, a coleta de dados e as estratégias de
mineração de dados utilizadas para as atividades descritivas e exploratórias deste
trabalho.
O quarto capítulo objetivou a apresentação e discussões dos resultados. São

demonstrados o perfil dos respondentes e alguns dados coletados, para,
posteriormente, os resultados serem investigados e discutidos sob a perspectiva
convencional e a de data mining.
Finalmente, as conclusões são realizadas no quinto capítulo, onde se apontam os

aprendizados alcançados nesta pesquisa, indicam-se as limitações de análise e
fazem-se sugestões para continuidade dos estudos.
25
2 REFERENCIAL TEÓRICO
Neste capítulo, são apresentados os principais conceitos para fundamentar o

objetivo deste estudo, à luz da literatura das ciências sociais e das ciências exatas.
A revisão bibliográfica descreve o processo de Descoberta de Conhecimento em

Base de Dados (KDD), tal como utilizado na análise e auxílio de tomadas de decisão
em diversas áreas.
Após a descrição do processo de KDD, são apresentadas a base teórica e origem

do instrumento de autoavaliação e as características da Avaliação de Potencial e
Perfil.
2.1 Descoberta de Conhecimento em Base de Dados
O desenvolvimento das TICs propiciou às organizações diversas ferramentas e

mecanismos de coleta e armazenamento de dados. Os sistemas gerenciadores de
banco de dados (SGBDs) têm sido utilizados amplamente por empresas e
universidades que pretendem organizar e se desenvolver em suas áreas de
atuação.
Motivadas pela busca constante por inovação e sobrevivência, aprofundam suas

pesquisas e interligam o seu conhecimento tecnológico às técnicas de tratamento
desses dados armazenados (TAN; STEINBACH; KUMAR, 2009). Daí parte o
empreendimento de esforços para se implementar o processo de Descoberta de
Conhecimento em Bases de Dados.
26
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”.
É importante clarificar as ambiguidades entre os termos dados, informação e

conhecimento no processo de KDD, bem como a abordagem “técnica” do conceito
de conhecimento frente à literatura da Ciência da Computação. A FIG. 1 demonstra
uma hierarquia entre os termos para facilitar o seu entendimento na computação.
FIGURA 1 – Exemplo da hierarquia entre dado, informação e conhecimento no processo de

KDD.
Fonte: GOLDSCHIMIT; PASSOS, 2005.
Em seu exemplo, Goldschimit e Passos (2005) apresentam os dados como

elementos coletados e armazenados em sua forma bruta, tais como os valores da
renda e despesas mensais de clientes de uma aplicação financeira suportada pelas
TICs.
No mesmo exemplo, a informação (“capacidade mensal de endividamento”) estaria

no nível intermediário, onde os dados seriam associados a significados. Essa
informação, nessa aplicação financeira (contexto), serviria para indicar quanto um
cliente poderia tomar emprestado em relação à sua renda do mês.
27
No topo da pirâmide, a expressão com “SE” e “ENTÃO”, existente na FIG. 1, seria a

representação de um conhecimento, do ponto de vista da computação, que é a
indicação de um padrão ou conjunto de padrões cuja formulação seria avaliada pelo
usuário da aplicação, por meio da relação entre os dados e a informação.
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).
Cios et al. (2007) incrementam as etapas do KDD citadas anteriormente, propondo

um modelo híbrido entre a visão acadêmica, atribuída a Fayyad et al. (1996), com o
modelo de KDD da indústria, descrevendo os seis passos seguintes:
1. Entendimento do domínio do problema;

2. Entendimento dos dados;
3. Preparação dos dados;
4. Mineração de dados;
5. Avaliação da descoberta de conhecimento;
6. Uso do conhecimento descoberto.
A importância do DM se deve ao fato de que é nesta etapa que ocorre efetivamente

a busca de conhecimento nos dados pré-processados, por meio de algoritmos, que
implementam os paradigmas de uma determinada técnica de exploração de dados.
28
Os autores Tan, Steinbach e Kumar (2009) dividem a tarefa de mineração de dados

em duas categorias principais: Previsão e Descritiva. E, como o próprio nome da
categoria indica, o objetivo da primeira é prever o valor de um atributo com base em
outro conjunto de valores.
A segunda categoria, Tarefa Descritiva, busca derivar padrões para evidenciar os

relacionamentos entre os dados. As Tarefas Descritivas requerem, além do pré-
processamento, técnicas de pós-processamento para explicar os dados,
principalmente quando sua natureza tem cunho exploratório.
2.1.1 Técnica de clusterização
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.
Segundo Tan, Steinbach e Kumar (2009), organizar a estrutura dos dados em

grupos é uma atividade comum e vem desempenhando um papel importante nas
áreas da Psicologia e da Biologia, de forma a intensificar o reconhecimento de
padrões.
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).
De acordo com a variação da implementação, a clusterização pode ser categorizada

em hierárquica ou de particionamento. Enquanto a clusterização hierárquica
identifica clusters aninhados num determinado conjunto, a outra expressa a
classificação dos dados em n partições.
Para realizar a clusterização dos dados da APP optou-se pela implementação

denominada SimpleKmeans, que é provida pela ferramenta Waikato Environment for
Knowledge Analysis (WEKA2) que será descrita nas próximas seções. Para o melhor
entendimento do funcionamento do SimpleKmeans, a seguir, serão descritas as
premissas de concepção do seu algoritmo original, denominado K-means.
2.1.2 Algoritmo K-means
O algoritmo K-means é um método popular da tarefa de clusterização. Tan,

Steinbach e Kumar (2009) explicam que nesse processo, se determinam,
aleatoriamente, os valores dos elementos centrais (centróides) do cluster a partir de
k pontos de dados numéricos; o valor de k é atribuído pelo próprio usuário e
determina o número de agrupamentos que se deseja identificar.
Depois, cada registro do banco de dados (ponto) é atribuído ao cluster, cuja

distância entre os pontos, em relação ao centróide, é a menor entre todas as
distâncias calculadas. Dá-se, aí, a composição de um grupo, determinada pela
2
<http://www.cs.waikato.ac.nz/ml/weka> acesso em: 27 jun. 2009.
30
quantidade de registros (coleção de pontos) atribuída a um centróide.

(GOLDSCHIMIDT; PASSOS, 2005).
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.
Os fluxos da FIG. 2, a seguir, representam visualmente os passos utilizados pelo

algoritmo K-means.
FIGURA 2 – Fluxograma do algoritmo K-means

Fonte: Adaptado de Goldschimit e Passos (2005).
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
Os valores da matriz dos clusters que deram origem à FIG. 3 foram:
{ 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}.
A FIG. 3, a seguir, apresenta graficamente o exemplo do resultado de três clusters:
FIGURA 3 – Esquema estrela como representação gráfica do particionamento de três

clusters
Fonte: CIOS et al.,2007.
2.1.3 Ferramenta WEKA
Para implementar a técnica de clusterização no processo de descoberta de

conhecimento, na base de resultados da APP, foi necessária a utilização de uma
ferramenta de DM. O software utilizado foi o Waikato Environment for Knowledge
Analysis (WEKA), conjunto de algoritmos e programas produzido pela Universidade
de Waikato, na Nova Zelândia.
32
A ferramenta de data mining WEKA (2009) implementa vários algoritmos de

clusterização, tais como: Expectation Maximinization (EM), DBScan, XMeans,
SimpleKMeans e OPTICS, entre outros.
Outra característica deste software é ser um ambiente completo de

desenvolvimento, possibilitando executar todas as etapas do KDD com
disponibilidade de vários algoritmos de DM. A seguir, a FIG. 4 ilustra as telas do
ambiente da ferramenta WEKA.
FIGURA 4 – Tela da ferramenta WEKA

Fonte: Montagem de telas realizada pelo autor.
33
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.
O WEKA é um software open source desenvolvido em plataforma Java que permite

sua portabilidade para os ambientes Linux, MAC e Windows (WEKA, 2009).
Atualmente, prefere-se sua versão 3.6 (utilizada neste trabalho), por ser classificada
como estável em relação a bugs de sistema.
2.2 Avaliação de Potencial e Perfil
A Avaliação de Potencial e Perfil, ou simplesmente APP, é o nome da versão

brasileira do Inventário de Personalidade e Preferências (PAPI), adaptado e
desenvolvido no Brasil por Corrêa (2009).
2.2.1 Inventário original
Na década de sessenta, o Doutor Max Martin Kostick, professor de Psicologia

Industrial do State College of Boston, projetou um instrumento para elicitar os
comportamentos e as preferências dos seus respondentes, adequadas para o
ambiente de trabalho (PTC, 2009).
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
interpretações e termos específicos da psicologia; (e) agregar os aspectos do

ambiente de trabalho; e (f) permitir o aconselhamento e reflexão (APP, 2003).
Essa ferramenta autoavaliativa do Prof. Dr. Kostick recebeu o nome de Inventário de

Personalidade e Preferências (PAPI) e começou a ser disponibilizada efetivamente
em pesquisas na Harvard Business School e na Boston University Business School
(SIOP, 1966).
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).
De acordo com PTC (2009) o PAPI trata-se de um instrumento validado pela

Sociedade Britânica de Psicologia. A validade deste tipo de instrumento é dada pelo
atendimento satisfatório às características técnicas de construção e administração
do seu formulário (PAPI, 2003). O resumo da avaliação do PAPI é apresentado no
ANEXO A.
35
A fundamentação teórica do PAPI foi elaborada a partir da Teoria da Personalidade

concebida por Murray (1938), que identifica traços de necessidades e dos papéis
desempenhados pelos indivíduos (PAPI, 2003).
A administração do instrumento é feita a partir de um formulário com 90 pares de

sentenças (frases), que o respondente deve selecionar entre suas necessidades e
papéis. O QUADRO 1, a seguir, apresenta os itens que são computados pelo PAPI.
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
estilo de trabalho; temperamento e subordinação.
Na FIG. 5, a seguir, as áreas estão representadas num esquema circular, usando as

siglas em inglês, semelhante a um gráfico polar, que deu ao Dr. Kostick o status de
pioneiro neste tipo de representação de perfil (GILLIES; HART, 1992).
Legenda: work direction (WD);

leadership (L); activity (A);
social nature (SN); work style
(WS); temperament (T);
followership (F)
FIGURA 5 – Esquema circular do PAPI

Fonte: GILLIES; HART, 1992.
2.2.2 Características da versão adaptada
Segundo APP(2003) este diagnóstico é um instrumento registrado sob o número

00820009494 no Instituto Nacional de Propriedade Industrial (INPI) no ano de 1997,
renovado em 2009.
Pelo histórico de administração do instrumento no Brasil, a APP é utilizada para

mapear o perfil dos indivíduos e da equipe de uma empresa. Serve como ferramenta
de apoio às tomadas de decisão, para gestores e profissionais de RH, quanto aos
37
processos de desenvolvimento e avaliação de pessoas, sendo destinada a todos os

colaboradores, independente de cargo (CORRÊA, 2009).
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:
FIGURA 6 – Framework de Educação Continuada - APP

Fonte: CORRÊA, 2009.
O modelo de trabalho (framework) de Corrêa (2009) prevê os dados levantados pela

APP como ponto de partida do desenho (projeto) de programas de desenvolvimento
individual e gerencial (PDI e PDG), que podem ser suportados por atividades de
coaching e que darão subsídios às reuniões de devolutivas individuais e coletivas
(APP, 2010).
Esse projeto de educação continuada visa a alinhar os objetivos individuais, que

passam a ser mais bem compreendidos com a APP, com as metas estratégicas de
cada organização (CORRÊA, 2009). Por isso, na FIG. 6, o framework indica “Plano
de Vida = Plano da Empresa”.
38
De acordo com APP (2003), seu objetivo é permitir às pessoas um processo do

autoconhecimento, obtendo informações sobre seu desempenho e dos seus grupos
de referência, possibilitando a motivação para a busca do seu autodesenvolvimento,
ou mesmo da implementação de programas educacionais e de acompanhamento.
Originada da versão ipsativa do PAPI, a APP herdou as características do formato,

tais como: (a) autoavaliativa, (b) questionário de itens de escolha forçada, (c)
apresentação dos itens em pares e (d) multidimensionalidade, que permite sua
grande abrangência e a redução de falseamento dos resultados pelos indivíduos.
A multidimensionalidade da ferramenta é originada por 20 fatores que são listados

no QUADRO 2. A definição de cada dimensão pode ser consultada em APP
(2010c)4.
QUADRO 2
Fatores da Avaliação de Potencial e Perfil (APP)
Fatores profissionais Fatores comportamentais
Planejamento Flexibilidade/ criatividade

Organização Relação com autoridade
Acompanhamento Administração de conflitos
Liderança Controle emocional
Comunicação Adaptabilidade a mudanças
Decisão Afetividade
Detalhismo/ delegação Autoimagem
Tempo de execução Sociabilidade
Intensidade operacional Energia vital
Percepção/ priorização Realização
Fonte: Adaptado de APP (2003).
4
<http://www.appweb.com.br/competencia.php>. Acesso em: 20 jul. 2010.
39
O processo de adaptação do inventário para o perfil do profissional brasileiro

contemplou: (a) tradução das sentenças, (b) adequação dos nomes e conceitos das
dimensões, (c) escrita e atualização dos textos de avaliação e (d) inclusão de 10
pares de declarações totalizando 200 itens.
As escalas dos fatores profissionais medem a percepção do indivíduo no ambiente

de trabalho. Nos fatores comportamentais, as escalas medem as tendências
profundas inerentes às necessidades dos indivíduos (CORRÊA, 2009). O QUADRO
3, a seguir, ilustra as relações entre as sentenças e os fatores da APP:
QUADRO 3
Exemplo da relação Item e Fator da Avaliação de Potencial e Perfil (APP)
Opções Item Fator

1ª Dizem que sou inflexível. Flexibilidade/ criatividade
2ª Gosto de atuar em equipe. Sociabilidade
Fonte: Adaptado de APP (2010b).
Onde, cada dimensão está diretamente vinculada a 10 itens de escolha, o que

permite a contabilizar um escore de 0 a 10 pontos como regra de mensuração. As
sentenças traduzidas que compõe o inventário da APP estão disponíveis em APP
(2010b)5.
2.2.3 Administração do instrumento
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
Outra opção via computador é o indivíduo receber um arquivo com extensão

“DOC"6, que é respondido e encaminhado para a correção por e-mail, por exemplo.
Por fim, a última opção de administração da APP é o formato “papel e lápis”, com
disponibilização de uma versão impressa ao respondente (APP, 2010b).
A seguir, a FIG. 7 apresenta o recorte da tela de cadastro do formulário de aplicação

on-line da APP. As demais principais telas do site estão disponíveis em APP (2010)7.
FIGURA 7 – Recorte da tela de cadastro do inventário on-line da APP.

Fonte: APP, 2003.
2.2.4 Relatórios de devolutiva
Com base no gabarito de respostas, on-line ou impresso, o resultado é gerado a

partir da inserção do respectivo registro no software da APP que, por sua vez, é
confrontado com a chave de correção (scoring key) armazenada no banco de dados
6
Formato de arquivo de documentos, por isso a simplificação DOC, amplamente utilizado pelos
principais programas de edição de texto.
7
<http://www.appweb.com.br/apresenta/>. Acesso em: 10 jun. 2010
41
do sistema, evitando assim, uma possível falha humana no processamento do

relatório de devolutiva.
Esses relatórios de devolutiva são apresentados em três versões distintas, sendo as

duas primeiras para avaliação individual e, a terceira versão, quando se deseja
realizar uma análise do grupo. Os modelos dessas versões podem ser consultados
em APP (2010).
A FIG. 8 ilustra a versão coaching da APP, que segue fielmente seu original
(inventário PAPI):
FIGURA 8 – Recorte do exemplo de relatório individual – versão coaching – com 3 fatores

da APP.
Fonte: APP, 2010.
O relatório de devolutiva individual (FIG. 8) tem seus fatores numerados e listados

na coluna “Critério”; a coluna “Nota” pontua o escore correspondente ao fator; e a
coluna “Avaliação” apresenta um texto que descreve o comportamento do
profissional em conformidade com a “Nota”, no respectivo “Critério”.
Esses textos avaliativos foram produzidos por Corrêa (2009) e podem ser
atualizados dentro da base dados do sistema, quando julgar pertinente. Por
42
exemplo, a partir de um volume de determinados feedbacks dos respondentes,

percebidos durante as reuniões devolutivas.
Note-se que, visualmente, a versão coaching (FIG. 8) possui uma régua de 0 a 10

logo abaixo de cada nome de “Critério”. Os valores sublinhados determinam os
escores de potencial ideal para o perfil avaliado pela APP.
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.
FIGURA 9 – Gráfico de frequência do exemplo de relatório individual – versão coaching

43
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.
A classificação dos escores, na versão coaching, é dada conforme a FIG. 10, a

seguir.
FIGURA 10 – Classificação das faixas de escore dos fatores da Avaliação de Potencial e

Perfil (APP) em relação ao potencial individual
Fonte: Elaborado pelo autor a partir da base de dados e nos códigos de interpretação dos
resultados individuais da APP.
44
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”).
Para facilitar a interpretação do relatório por um leigo, o relatório individual, versão

coaching, possui um gráfico de barras na “base 10” (APP, 2010), conforme a FIG. 11
a seguir:
FIGURA 11 – Gráfico de barras do exemplo de relatório individual

45
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.
2.2.5 Avaliação coletiva
Outro modelo de relatório de devolutiva é destinado à avaliação de equipes ou

mesmo de todos os colaboradores de uma organização. O relatório de devolutiva
coletiva consiste basicamente de 20 gráficos. Cada gráfico representa um dos 20
fatores da APP.
A FIG. 12, a seguir, reflete exemplo de um dos gráficos (Planejamento) de um grupo

de 6 respondentes de uma organização da área de hospitalidade.
46
FIGURA 12 – Gráfico de pizza do exemplo de relatório coletivo – fator Planejamento 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.
Na análise coletiva, podem ser compilados n resultados individuais, disponibilizando

dados para o desenvolvimento do grupo, tais como: (a) verificação e
acompanhamento das habilidades e potencial para Gestão da Qualidade, (b)
Acompanhamento de Pessoal, (c) Plano de Carreira, (d) Compatibilidade da Pessoa
com o Trabalho, (e) Coaching e (f) Treinamentos específicos (APP, 2010).
A seguir, o QUADRO 5 apresenta, na ordem, o nome do fator da APP, a faixa de

pontuação e a coluna “interpretação”, com o texto avaliativo proposto por Corrêa
(2009).
Na coluna “Pontuação” os valores em negrito são os potenciais ideais conforme a

FIG. 10. São apresentados os 5 fatores profissionais: Planejamento, Organização,
Acompanhamento, Liderança e Comunicação.
47
QUADRO 5
Critérios de interpretação coletiva dos escores dos Fatores Profissionais da Avaliação de
Potencial e Perfil (APP): Planejamento, Organização, Acompanhamento, Liderança e
Comunicação.
Fator Pontuação Interpretação
0 Executam sem pensar.

1e2 Mais voltados para execução.
3 Tendem a ser pragmáticos.
Planejamento
4, 5 e 6 Apresentam boa capacidade de planejamento.
7 Vêm desenvolvendo a habilidade, mas tendem a ser teóricos.
8, 9 e 10 Apresentam-se mais teóricos.
0, 1, 2 Revelam-se desorganizados e com dificuldades para detalhes.
3 Devem estar se esforçando para se manterem organizados.
Organização 4, 5 e 6 Apresentam boa capacidade de organização.
7 Tendem a ser perfeccionistas.
8, 9 e 10 Revelam-se perfeccionistas. Excedem na organização.
Apresentam-se com pouca necessidade de acompanhar e
0, 1, 2 e 3
supervisionar o trabalho de suas equipes.
4 Ainda acompanham pouco. Devem estar executando.
Acompanha- 5 Já conseguem promover o desenvolvimento da equipe.
mento
6e7 Apresentam boa capacidade de para desenvolver pessoas.
8 Tendem a acompanhar com certo controle.
9 e 10 Tendem a acompanhar com muito rigor.
0, 1, 2, 3, 4 Apresentam dificuldade para assumir posição de liderança.
5 Já apresentam com potencial de liderança.
6e7 Apresentam boa capacidade de liderança.
Liderança
Ainda apresentam bom potencial, mas tendem a exceder na
8e9
liderança.
10 Excedem na liderança. Tendem a ser carismáticos.
0, 1, 2 e 3 Revelam-se sintéticos.
4 Devem estar se esforçando para transmitir com clareza.
Comunicação
5e6 Apresentam boa capacidade em transmitir informações.
7, 8, 9 e 10 Tendem a ser prolixos.
Fonte: Elaborado com base no exemplo do gráfico coletivo disponível em APP (2010).
48
O QUADRO 6, a seguir, apresenta a interpretação de 5 fatores profissionais.
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.
0e1 Revelam dificuldades para tomar decisões.

2, 3, 4 Ainda apresentam dificuldades para tomar decisões.
Decisão 5 Vêm desenvolvendo a habilidade, estão aprendendo a correr riscos.
6e7 Apresentam boa capacidade para tomar decisões assertivamente.
8, 9 e 10 Tendem a ser precipitados.
0e1 Revelam ótima capacidade de delegação.
2e3 Revelam boa capacidade de delegação.
Detalhismo/
4 Vem desenvolvendo essa habilidade.
delegação
5e6 Ainda se apresentam detalhistas.
7, 8, 9 e 10 Revelam-se detalhistas e com dificuldades para delegar.
0e1 Sofrem muito para trabalhar com prazos curtos.
2e3 Apresentam dificuldades para trabalhar com prazos curtos.
4 Bom tempo de execução.
Tempo de Revelam saber trabalhar com prazos curtos e sob pressão de
execução 5, 6 e 7
tempo.
Tendem a trabalhar rapidamente. Não se estressam com prazos
8e9
curtos.
10 Trabalham rapidamente, mas podem comprometer os resultados.
0, 1, 2 e 3 Estão se sentindo subaproveitados.
Intensidade 4, 5 e 6 Dimensionam bem o volume de trabalho.

operacional 7e8 Tendem a trabalhar em excesso.
9 e 10 Devem estar trabalhando em excesso.
0, 1, 2 e 3 Revelam dificuldade de concentração.
4e5 Conseguem trabalhar com imprevistos e emergências.
Percepção/
6 Estão aprendendo a trabalhar com imprevistos, sem se estressar.
priorização
7e8 Ainda centram a atenção em uma só tarefa.
9 e 10 Revelam dificuldade com imprevistos e emergências.
49
O QUADRO 7 e o QUADRO 8, a seguir, identificam os potenciais ideais (em negrito)

dos fatores comportamentais da APP.
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
0, 1 e 2 Revelam-se flexíveis. Devem utilizar bem a criatividade.

Estão aprendendo a ser flexíveis, e começam expressar sua
3
criatividade.
Flexibilidade/
criatividade Ainda seguem normas em excesso, podendo bloquear sua
4, 5 e 6
criatividade.
Seguem normas em excesso. A criatividade deve ser
7, 8, 9 e 10
bloqueada.
0, 1, 2, 3, 4 Tendem a serem conservadores.
Adaptabilidade 5e6 Aceitam bem inovações.

a mudanças 7, 8 e 9 Revelam-se ansiosos para que as mudanças ocorram.
10 Revelam-se muito ansiosos para que as mudanças ocorram.
0, 1, 2 e 3 Tendem a ser autossuficientes.
Estabelecem relações de parceria. Fazem, do chefe, um
Relação com 4, 5 e 6
aliado.
autoridade
7e8 Devem estar aprendendo a fazer, do chefe, um aliado.
9 e 10 Revelam-se submissos.
0, 1 e 2 Revelam dificuldades. Tendem a ser passivos.
Administração 3, 4 Estão aprendendo a enfrentar conflitos.

de conflitos 5e6 Estão administrando bem situações de conflitos.
7, 8, 9 e 10 Tendem a ser explosivos em situações de conflitos.
0, 1 e 2 Revelam-se ser do tipo “estopim curto”.
3 Já conseguem controlar suas emoções.
Controle
4, 5 e 6 Revelam-se equilibrados (maturidade emocional).
emocional
7 Tendem a reprimir suas emoções.
8, 9 e 10 Revelam-se reprimidos.
50
A seguir, o QUADRO 8 apresenta as formas de interpretação de 5 fatores

comportamentais.
QUADRO 8
Critérios de interpretação dos escores dos Fatores Comportamentais da Avaliação de
Potencial e Perfil (APP): Afetividade, Sociabilidade, Autoimagem, Energia Vital e Realização
Apresentam-se mais reservados, expressando pouco o seu

0, 1 e 2
sentimento.
Estabelecem boas relações afetivas. Não misturam relações
Afetividade 3e4
de amizade com trabalho.
5, 6, 7, Tendem a se envolver em excesso. Devem fazer
8, 9 e 10 concessões e se prejudicar.
0, 1, 2 e 3 Tendem a ser mais reservados.

Convivem bem em grupo, estabelecendo bom
4, 5 e 6
relacionamento interpessoal.
Sociabilidade Ainda apresentam dificuldades em dizer não e fazem
7e8
concessões.
Tendem a fazer alguma concessão. Preocupam-se em
9 e 10
agradar. Devem fazer concessões em excesso.
0, 1 e 2 Revelam autoimagem muito rebaixada.
3 Já confiam em seu potencial.
Autoimagem 4 Apresentam boa autoestima e confiam em seu potencial.
5, 6, 7, 8,
Apresentam autoimagem elevada.
9 e 10
0 Apresentam energia vital muito rebaixada.
1e2 Apresentam baixa energia vital. Devem estar estressados.
Energia Vital 3e4 Já apresentam bom tônus vital.
5e6 Apresentam bom tônus vital.
7, 8, 9 e 10 Revelam muita energia, com tendência a dispersão.
0, 1, 2 e 3 Podem estar se sentindo subaproveitados.
4 Ainda se apresentam motivados com suas realizações.
Realização 5, 6 e 7 Estão motivados com as metas de vida que vêm atingindo.
Tendem a estabelecer metas muito arrojadas, fora do seu
8, 9 e 10
alcance.
51
2.2.6 Informatização da APP
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).
Esse sistema veio para suprir a demanda de atendimento do grande volume de

resultados encaminhado para processamento. Os inventários administrados por
arquivos “DOC” ou com “papel e lápis”, eram processados por um aplicativo
desenvolvido na linguagem Delphi e base de dados Paradox9, demandando que os
gabaritos de respostas fossem cadastrados manualmente.
2.3 Síntese das contribuições teóricas
Neste capítulo foram apresentados os principais autores da literatura de data minig,

bem como, foram elucidados os constructos do inventário PAPI que deu origem ao
autodignóstico APP.
As descrições do sistema de escore e da interpretação dos relatórios da APP, bem

como as etapas do processo de KDD fundamentam a base de compreensão
utilizada para a abordagem e o desenho da metodologia de pesquisa a ser descrita
no próximo capítulo.
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
3.1 Abordagem metodológica
Nesta dissertação optou-se por um estudo descritivo qualitativo. Para Malhotra

(2001) pesquisa qualitativa é uma metodologia não estruturada e de natureza
exploratória, que provê critérios e compreensão do cenário do problema.
Neves (1996, p. 1) explica que a expressão “pesquisa qualitativa”, no campo das

Ciências Sociais, pode compreender um conjunto de técnicas interpretativas que
tem por objetivo traduzir e expressar o sentido dos fenômenos do mundo social.
Os componentes descritivos são encontrados nos demais tipos de pesquisa e têm a

finalidade de descrever, sistematicamente, um determinado conjunto de dados ou
área de interesse (GRESSLER, 2004). Sob a perspectiva descritiva, buscou-se o
entendimento dos fatos e características presentes na amostra e no instrumento da
APP.
Esta abordagem descritiva qualitativa foi aprofundada com uso de técnicas

exploratórias de data mining. Conforme abordado no referencial teórico deste
trabalho, utiliza-se o processo de KDD como técnica de identificação de informações
e relacionamentos relevantes entre os dados possibilitando, a partir de etapas pré-
definidas, a descrição dos conjuntos de registros do banco de dados da APP.
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
3.2 Objeto de pesquisa
O objeto deste estudo é composto pelo instrumento e pelo conjunto de dados da

amostra brasileira. Decidiu-se por utilizar uma base de dados analítica de
respondentes da APP que estivesse digitalizada, excluindo os registros com base
nos seguintes critérios: (1) utilizar apenas os registros dos indivíduos com mais de
17 anos e com idade igual ou menor a 60 anos, tendo em vista o objetivo do trabalho
em avaliar a pessoa no contexto do trabalho e a dificuldade de se determinar se o
indivíduo, nesses casos extremos, estava ocupando algum posto de trabalho; (2)
considerar o período de respostas compreendido entre os anos de 2000 e 2010; (3)
aceitar somente os registros de origem brasileira, pois houve casos em que
cidadãos portugueses responderam a autoavaliação; e (4) contemplar toda a
amostra, independente da posição funcional do indivíduo.
3.3 Coleta de dados da APP
A base de dados da amostra não-probabilística foi alimentada pelos diversos

formatos de administração do instrumento. Do total de 8.832 registros, 2.819 (32%)
foram registros da base de dados do inventário on-line (base MySQL), ou seja, as
respostas foram inseridas pelos próprios respondentes via internet.
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
Os dados coletados foram obtidos a partir das respostas de profissionais de diversas

empresas posicionadas nos seguintes segmentos: transporte, tecnologia da
informação, indústria, educação, mineração, telecomunicações, hospitalar, químico e
construção civil, entre outras (APP, 2003).
O universo de respondentes também foi composto de indivíduos em processo

educacional a partir de coletas realizadas por Corrêa (2009), sendo uma amostra
genuinamente brasileira, abrangendo todas as regiões do país.
O GRAF. 1, a seguir, evidencia essa amplitude da base de dados da APP ao

apresentar a frequência sujeitos autoavaliados por região do Brasil:
GRÁFICO 1 – Distribuição de Frequência por Região das respostas da Avaliação

de Potencial e Perfil (APP) – período 2009 a 2010.
Fonte: Elaborado pelo autor a partir da base de dados analítica da APP, com 2.819
registros, com indicação do código de discagem direta à distância (DDD) e
EMBRATEL (2010).
55
3.5 Procedimentos
Este estudo inicialmente contemplou o levantamento da bibliografia relacionada à

pesquisa, onde se pode conhecer e aprimorar os conhecimentos sobre a abordagem
analítica do processo de KDD.
Quanto aos passos para a realização da pesquisa e os procedimentos de cunho

metodológico que foram contemplados, adotaram-se as seguintes etapas:
(i) Pesquisa documental, envolvendo os registros contidos em artigos, manuais e

sites. O próprio software da APP forneceu também uma visão crítica e global da
temática do problema, permitindo, então, a construção dos dados necessários ao
pré-processamento de dados, sob a condução do professor orientador.
Além disso, a revisão bibliográfica permitiu conhecer o maior conjunto possível

de obras escritas por vários autores e em diferentes aplicações para, então,
selecionar as fontes imprescindíveis a este trabalho. Também foi feito um exame
dos periódicos nacionais e internacionais para localizar artigos sobre o tema.
(ii) Fase de construção do banco de dados analítico: foram definidos os atributos

básicos da tabela de dados da pesquisa, que foram o (1) código da resposta; (2)
o ano de aplicação; (3) a data de nascimento do respondente; (4) o sexo do
respondente; (5) o cargo; e (6) os respectivos campos de resposta (escore) de
cada um dos 20 fatores.
Ao todo, foram disponibilizados 8.832 registros de resultados, obedecendo aos

critérios previamente apresentados na seção 3.2.
(iii) Mineração de dados: foram executadas as etapas de pré-processamento e de

mineração de dados com base em experimentações. Cada experimentação
auxiliou na tomada de decisão quanto ao método de DM e algoritmo. Os passos
e estratégias adotados para essa tarefa serão discutidos na próxima seção deste
capítulo.
56
(iv) Análise dos dados: resultados do conjunto de registros foram confrontados à

base de teórica da APP, evidenciando uma etapa de pós-processamento de
dados. Tomou-se novamente o uso da base de dados analítica para geração de
dados descritivos e para a confirmação dos resultados obtidos no passo III.
3.6 Estratégias de mineração de dados
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.
Na segunda etapa, foram operacionalizados testes e simulações. Cada

experimentação auxiliou na definição das estratégias que deveriam ser dadas aos
registros de origem para se alcançar os resultados almejados ao fim do processo.
Ao final, optou-se por utilizar a implementação SimpleKmeans devido à maior

facilidade de compreensão do seu relatório de processamento. O algoritmo K-means
que originou esta implementação está descrito no referencial teórico.
Conforme a literatura de data mining verificou-se, também, a necessidade de um

pré-tratamento dos dados, o que será descrito na próxima subseção.
57
3.6.1 Pré-processamento dos dados
A tabela da base de dados analítica da APP, com as instâncias dos resultados

aplicados ao longo de 2000 a 2010, sofreu um tratamento específico antes de ser
importada para a ferramenta WEKA.
Este tratamento consistiu em transformar o conteúdo dos atributos que armazenam

os escores de cada candidato. Este conteúdo passou a ser booleano (0 ou 1) com
base no referencial da APP de potenciais ideais. Ou seja, o atributo onde o
candidato tivesse alcançado o potencial ideal seria substituído por 1, ou, caso
contrário, por 0.
Para a implementação dessa estratégia, utilizou-se um código próprio do sistema da

APP, criado particularmente para esse estudo, com o objetivo de gerar os
resultados, em lote, dos registros selecionados.
A partir daí, os dados puderam ser preparados para a importação na ferramenta

WEKA, com os seguintes passos: 1) gerou-se um arquivo de valores separados por
vírgulas, ou, em inglês Comma Separate Values (CSV); e 2) efetuou-se a sua
importação no WEKA, que automaticamente converteu para Attribute-Relation File
Format (ARFF), como é denominado o formato de arquivo utilizado pelo WEKA.
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
correspondendo a um dos fatores mapeados pela APP, conforme citados no

referencial teórico deste trabalho.
3.6.2 Mineração de dados da APP
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.
Conforme antecipado na seção 3.6, ajustou-se o algoritmo de particionamento

denominado SimpleKmeans que identifica clusters a partir do cálculo de distâncias
euclidianas. As configurações utilizadas tiveram seus valores setados como default
(padrão).
Como nesse tipo de variação do algoritmo K-means, como abordado no referencial

teórico, precisa basicamente de um parâmetro de interesse fornecido pelo usuário, o
qual deve especificar a quantidade de grupos que se espera como resultado.
A partir daí foram testadas a clusterização com 2, 3, 4, 5, 6 e 7 agrupamentos.

Constatou-se que com para os parâmetros 5, 6 e 7, as características que
distinguiram os clusters do conjunto de dados completos não variaram
consideravelmente, apresentando praticamente todos os grupos muito similares à
coluna full data.
Verificou-se que os testes com 2 e 3 agrupamentos ocultaram alguns padrões já

identificados em valores mais altos para o parâmetro fornecido. Então se optou pela
configuração com 4 clusters.
Com base nos resultados dessa configuração passa-se para a próxima etapa do
processo de KDD que será abordada na próxima subseção.
59
3.6.3 Pós-processamento dos dados da APP
O objetivo desse tópico é de delinear as fases que possibilitam a confrontação do

resultado dos dados minerados com a teoria do APP, com vistas a avaliar a
descoberta de conhecimento.
Um primeiro passo foi identificar os fatores de interesse, ou seja, uma tarefa de

avaliação humana do pesquisador, com base em seus conhecimentos prévios das
questões da APP. Neste tipo de clusterização com dados dicotômicos, evidenciam-
se os atributos que pontuarem 0 ou 1.
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.
Por fim, o trabalho consistiu na elaboração de gráficos, tabelas e quadros para

serem apresentados no capítulo de resultados desta pesquisa. Esta etapa foi de
suma importância, uma vez que os recursos gráficos da ferramenta WEKA ainda são
pouco intuitivos.
60
4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS
Este capítulo trata da demonstração e discussão dos resultados obtidos na

pesquisa. Nesse sentido, foi apresentada a amostra sob o ponto de vista
demográfico (sexo e idade) e temporal (ano de aplicação). Para sua análise, foi
proposta a comparação dos resultados e médias dos fatores profissionais e
comportamentais, e destacou-se a abordagem exploratória, com o uso da técnica de
clusterização como processo de descoberta de conhecimento (KDD).
4.1 Perfil dos respondentes
A amostra não-probabilística da APP totaliza 8.832 respondentes. Desses, 55% são

formados por indivíduos do sexo masculino; 45%, por mulheres (GRAF. 2). Quanto à
faixa etária, a maioria (51%) é composta de pessoas com idade entre 18 a 30 anos.
GRÁFICO 2 – Distribuição de Frequência por Faixa etária e Sexo nas respostas 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.
61
Constatou-se, pela TAB. 1, que a proporção de entre respondentes do sexo feminino

foi maior nas faixas mais jovens, reduzindo-se à medida que a idade aumenta até se
tornar pouco significativa na classe de 55 a 60 anos.
TABELA 1
Distribuição da frequência de respostas (em %) por sexo e faixa etária dos
respondentes da Avaliação de Potencial e Perfil (APP)
Faixa Etária 18-24 25-30 31-36 37-42 43-48 49-54 55-60

% Feminino (F) 55% 48% 44% 39% 36% 31% 26%
% Masculino (M) 45% 52% 56% 61% 64% 69% 74%
F–M 10% -4% -12% -22% -27% -38% -49%
O GRAF. 3, a seguir, apresenta a distribuição dos respondentes por ano, em que a

APP foi administrada ao indivíduo, e por seu sexo:
GRÁFICO 3 – Distribuição de Frequência por ano (aplicação) e sexo (respondentes) nas

respostas da Avaliação de Potencial e Perfil (APP) – período de 2000 a 2010
62
A frequência de respostas da autoavaliação recebidas nos últimos 4 anos (2007 a

2010) representa a maioria da amostra (56%). Entretanto, igual período de tempo, a
contar a partir de 2000, corresponde a 22% do total de respondentes (GRAF. 3).
Ainda conforme o GRAF. 3, os anos de 2002, e do período compreendido entre

2006 e 2010, tiveram o número respostas superior à média dos 10 anos
investigados (883 respostas). Os anos 2000, 2001 e 2003 tiveram sua frequência de
aplicações abaixo dos 5% do total da base de dados.
A TAB. 2 mostra que os respondentes do sexo masculino também são maioria ao

longo de cada ano em que o instrumento foi administrado, com exceção dos anos
2000 e 2002. Apesar disso, constata-se que a proporção das respostas do sexo
feminino, nos 10 anos investigados, é sempre superior a 35% da amostra.
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%
No ano de 2006, a diferença da frequência de respostas foi de apenas 4, do sexo

masculino, acima do total de 581 de respondentes do sexo feminino. Devido à
ausência de casas decimais da TAB. 2, o critério de arredondamento ocultou a sua
diferença percentual.
Quanto ao atributo cargo, os respondentes da APP foram ordenados em 26 cargos

de trabalho, sendo que, com aproximadamente 23% dos indivíduos, não foi possível
encontrar uma classificação satisfatória. Como descrito anteriormente, nos
procedimentos metodológicos, foi atribuído o valor “Outro” para esses casos (GRAF.
63
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).
GRÁFICO 4 – Distribuição de Frequência por ano Cargo das respostas da Avaliação de

Potencial e Perfil (APP) – período de 2000 a 2010.
64
Conforme o GRAF. 4, a maioria dos respondentes da amostra, 51%, não está

diretamente posicionada em cargos de liderança. Tanto existem respondentes com
cargos de staff, como existem profissionais que atuam como consultores e
assessores. Além disso, 250 indivíduos (3%) alegaram estar estudando.
4.2 Resultados da APP
A partir da multidimensionalidade da APP, nas próximas subseções são

apresentados os resultados alcançados pelos respondentes, de acordo com as
faixas de potencial, conforme a FIG. 10.
Os GRAF. 5 e GRAF. 6, a seguir, resumem os 20 fatores da APP. Selecionou-se,

arbitrariamente, um dos valores da faixa de potencial ideal para concepção dos
gráficos polares (radar), inspirado em Kostick.
Constatou-se, pelo GRAF. 5, que o escore de maior frequência da amostra sobrepôs

as indicações dos fatores profissionais em: (1) Organização; (2) Comunicação
indicando estarem com potencial no escore ideal.
Enquanto o escore de outros 4 fatores profissionais da APP ficaram abaixo do valor

ideal. Ou seja, pode-se dizer que o potencial ficou insuficiente em (1)
Acompanhamento; (2) Liderança; (3) Decisão e (4) Tempo de execução (GRAF. 5).
Quatro fatores profissionais tiveram seu potencial excedido. Portanto, pontuaram

acima do escore idealizado: (1) Planejamento; (2) Detalhismo-delegação; (3)
Intensidade operacional; e (4) Percepção-priorização.
Apenas o fator profissional denominado Planejamento, indicado no GRAF. 5, que

ficou posicionado “fora” do ideal, poderia ser considerado também satisfatório, pois
esteve dentro da faixa de potencial ideal da FIG. 10, apresentada no referencial
65
teórico.
Enquanto, nos fatores profissionais, os escores com maior distância em relação ao

potencial ideal foram em Detalhismo-delegação e Percepção-priorização com a
diferença de 4 e 3 pontos, respectivamente.
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
66
Verificou-se, pelo GRAF. 6, que o escore de maior frequência da amostra sobrepôs

as indicações dos fatores: (1) Relação com autoridade; (2) Administração de
conflitos; (3) Controle Emocional; (4) Realização indicando estarem com potencial
comportamental no escore ideal.
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
67
Outras duas dimensões comportamentais da APP ficaram abaixo do valor ideal. Ou

seja, pode-se dizer que o potencial ficou insuficiente em: (1) Energia vital; (2)
Autoimagem (GRAF. 6).
Enquanto 4 fatores comportamentais tiveram seu potencial excedido no GRAF. 6.

Portanto, pontuaram acima do escore idealizado: (1) Flexibilidade-criatividade; (2)
Adaptabilidade a mudanças; (3) Afetividade; e (4) Sociabilidade.
Apenas o fator comportamental Afetividade, conforme o GRAF. 6, que ficou

posicionado “fora” do ideal, poderia ser considerado também satisfatório, pois ficou
dentro da faixa de potencial ideal da FIG. 10, apresentada no referencial teórico.
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.
4.3 Potencial ideal
Para investigar o potencial ideal dos respondentes da APP, elaborou-se o GRAF. 7,

a seguir, com base na distribuição da frequência (em %) das respostas dentro da
faixa idealizada.
No GRAF. 7, três fatores comportamentais e três fatores profissionais tiveram o

percentual mais baixo (menor que 25% da amostra) em relação à frequência de
respostas com potencial ideal, indicando 6 dimensões prioritárias para o
desenvolvimento dos respondentes da amostra.
Os fatores denominados Flexibilidade-criatividade (4%) e Detalhismo-delegação

(8%) ficaram abaixo de 10% da amostra, seguidos do fator Autoimagem, que atingiu
o índice 19% dos respondentes (GRAF. 7). A dimensão Acompanhamento ficou com
68
22% da amostra e os fatores Energia vital e Percepção pontuaram 24%, cada um.
GRÁFICO 7 – Porcentagem de respondentes com potencial ideal nos fatores da Avaliação

de Potencial e Perfil (APP) - Período de 2000 a 2010
69
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.
Na amostra apresentada no GRAF. 7, o fator profissional Liderança aferiu que 29%

dos respondentes possuem identificação com o papel de líder, ou seja, atingiram
uma pontuação entre 6 e 7.
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).
A Administração de conflitos é um fator comportamental da APP, que visa a avaliar a

forma como o indivíduo reage diante de situações tensas. Sua faixa de escore no
potencial ideal compreendeu o escore entre 5 e 6 pontos e ao percentual de 37% da
amostra (GRAF. 7).
No conjunto de dados, a dimensão comportamental denominada Afetividade, com

duas notas no escore ideal desse fator (GRAF. 10), correspondeu a 38% da
amostra.
Outros quatro fatores também se destacaram, posicionando-se no potencial ideal da

APP, na maioria da amostra. Essas dimensões com o percentual mais alto de
respondentes com escore ideal foram os fatores comportamentais Realização
(64%); Relação com autoridade (59%); Controle Emocional (51%); e, com 57%, a
dimensão profissional Planejamento (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).
No fator profissional, denominado Comunicação, somando-se os valores ideais (5 e

6) alcançou-se 42% da amostra, conforme o GRAF. 7. A Intensidade operacional,
outra dimensão profissional, representou o mesmo percentual da Comunicação, com
seus respondentes com escore ideal entre 4 e 6.
Conforme o referencial teórico (QUADRO 7), o grau de adaptação às situações e

pessoas novas é avaliado pelo fator comportamental denominado Adaptabilidade a
mudanças. Os respondentes com o nível ideal dessa dimensão obtêm escore entre
5 e 6 e representaram significativos 41% do conjunto de dados (GRAF. 7). O
percentual de 41% da amostra também foi aferido pelo fator Sociabilidade,
constatando que esses respondentes convivem bem em grupo, estabelecendo bom
relacionamento interpessoal.
Portanto, a partir dessas discussões sobre o GRAF. 7, objetivando o

desenvolvimento de pessoas, elaboraram-se os GRAF. 8 e GRAF. 9, tendo em vista
que é necessário, além de identificar quais fatores prioritários, investigar se o
potencial dessas dimensões foi insuficiente ou excedente.
4.4 Potencial insuficiente
O GRAF. 8, a seguir, evidencia os fatores com maior grau de insuficiência, de

acordo com a APP, alinhando classificação das faixas de escore e as porcentagens
da frequência de distribuição dos escores baixos, aferidos nas respostas.
71
GRÁFICO 8 – Porcentagem de respondentes com potencial insuficiente nos fatores da

Avaliação de Potencial e Perfil (APP) - período de 2000 a 2010
A concentração nos valores baixos evidencia que os respondentes dessa amostra

escolheram poucas declarações de determinada dimensão da APP, no caso, abaixo
do potencial ideal (FIG. 10). Por isso, o GRAF. 8 não apresentou as dimensões
Detalhismo-delegação (escores ideais 0 a 2) e Flexibilidade-Criatividade (escores
ideais 0 e 1), respectivamente, fatores profissionais e comportamentais.
72
No GRAF. 8, foram apresentados quatro fatores profissionais e dois

comportamentais que, na análise dessas dimensões, apresentarem insuficiência em
seu potencial em, no mínimo, 50% do conjunto de dados.
As dimensões profissionais com pior desempenho foram: (1) Acompanhamento; (2)

Tempo de execução; (3) Decisão e (4) Liderança. Os fatores comportamentais que
precisam melhorar foram: (1) Energia vital; e (2) Autoimagem (GRAF. 7).
Conforme o referencial teórico (QUADRO 5) e GRAF. 8, na dimensão

Acompanhamento, a amostra indicou que os valores baixos representam 75% dos
respondentes. Com esses escores abaixo do ideal, presume-se que esses
indivíduos possuem: (a) pouca necessidade de acompanhar; (b) tendem a ser
apenas executores de tarefas; ou (c) ainda acompanham pouco.
No fator de comportamental da APP, denominado Energia vital, a frequência de

sujeitos com baixa energia vital, ou que apresentam um razoável nível de tônus vital,
representou 71% nessa amostra, enquanto os que possuem um potencial muito
baixo de energia vital ficaram com 2% (GRAF. 8).
A dimensão profissional Tempo de execução, no GRAF. 8, excedeu em seu

potencial, aproximadamente, em 65% dos respondentes, ou seja, estes indivíduos
sofrem muito ou apresentam alguma dificuldade para trabalhar com prazos curtos.
A Autoimagem é um fator comportamental que está ligado ao grau de autoestima

dos sujeitos da amostra. A frequência maior (63%) foi aferida nos valores baixos que
identificaram, no perfil do profissional brasileiro, a autoestima muito rebaixada
(QUADRO 8 e GRAF. 8).
No QUADRO 8 e no GRAF. 8, no caso do fator Decisão, o volume de respondentes

com os valores abaixo do ideal (“Faltou” e “Faltou em excesso”) totalizaram 58%,
que mostram estes sujeitos com dificuldades para tomar decisões.
73
Constatou-se que o fator Liderança (GRAF. 8), no conjunto de dados da amostra,

indicou que os respondentes não têm potencial para assumir posição de liderança,
aferindo que 54% da amostra tiveram escore abaixo do ideal. Essa dimensão obteve
a maior concentração em “Faltou em excesso”, com 38% da amostra.
No fator Comunicação, destacaram-se os escores 3 e 4, indicando que, apesar do

baixo potencial (“Faltou”), os respondentes (39%) tendem a se esforçar para
transmitir informações com clareza (QUADRO 5 e GRAF. 8).
De acordo com o QUADRO 7 do referencial teórico, na dimensão Controle

emocional, a amostra brasileira verificou respondentes do tipo “estopim curto” (37%),
ou seja, que explodem em conflitos. Em contraste a esse dado, no fator de
Administração de conflitos, ficou evidenciado que 10% da amostra tendem a ser
formados por indivíduos passivos, se posicionando na faixa “Faltou em excesso”
(GRAF. 8).
Ao aferir as extremidades da escala do fator de Adaptabilidade a mudanças,

demonstrou-se que os respondentes apresentaram ser conservadores (24%). Por
outro lado, na dimensão Afetividade, 23% dos respondentes ainda se apresentam
mais reservados, ou seja, pontuaram nas faixas “Faltou” ou “Faltou em excesso”
(FIG. 10).
Na Relação com autoridade, aferida pelo GRAF. 8, destacaram-se valores baixos,

que mostram os respondentes com um perfil autossuficiente. Na mesma faixa
percentual (20%), o fator Organização identificou respondentes desorganizados e
com dificuldades para detalhes.
Ao aferir a extremidade inferior da escala do fator Realização, constatou-se que

17% mostram que estão se sentindo subaproveitados (QUADRO 8). Por outro lado,
12% dos respondentes, em Planejamento, devem estar: (a) executando sem pensar;
(b) mais voltados para execução; e (c) tendendo ao pragmatismo.
74
Outros três fatores profissionais se destacam no GRAF. 8 por apresentarem uma

frequência igual ou abaixo de 10% da amostra. São as dimensões Intensidade
operacional (4%), Sociabilidade (7%) e Percepção-priorização (10%). Portanto, são
poucos os respondentes que se autoavaliam como: (a) se sentindo subaproveitados;
(b) tendendo a ser mais reservados; e (c) revelando dificuldade de concentração.
4.5 Potencial excedente
A seguir, o GRAF. 9, apresenta os respondentes que excederam nas dimensões

com referência à classificação das faixas de potencial e às porcentagens da
frequência de escores altos.
Em cinco dimensões, os respondentes da APP excederam o nível de potencial

idealizado, numa proporção superior a 50% da amostra. Sendo dois fatores
comportamentais: (1) Flexibilidade-criatividade, com 96%; e (2) Sociabilidade com
52% do conjunto de dados (GRAF. 9).
Conforme o GRAF. 9, os outros três fatores profissionais foram: (1) Detalhismo-

delegação com 92%; (2) Percepção-priorização com 66%; e Intensidade
operacional, com 54% dos dados completos.
Notou-se que o atributo Flexibilidade-criatividade foi o fator com maior concentração

na faixa “Sobrou em excesso”, com 34% da amostra, seguidos pelos fatores
Detalhismo-delegação (14%), Percepção-priorização (11%) e Sociabilidade e
Intensidade operacional, ambas com 10% do conjunto de dados (GRAF. 9).
Baseando-se nas informações do gráfico citado e nos QUADROS de número 6 a 8

do referencial teórico, foi possível constatar que estes respondentes se
autoavaliaram com: (1) provável bloqueio de criatividade devido à seguir normas em
excesso; (2) dificuldade em dizer “não” e fazendo concessões em excesso; (3)
75
apego aos detalhes, dificultando a delegação; (4) foco de atenção em uma só tarefa;
e (5) tendência a trabalhar em excesso (work-a-holic).
GRÁFICO 9 – Porcentagem de respondentes com potencial excedente nos fatores da

Avaliação de Potencial e Perfil (APP) - período de 2000 a 2010
Na faixa dos 30%, os dados do GRAF. 9 apresentam as dimensões Afetividade

(38%); Adaptabilidade a mudanças (36%); Organização (34%) e Planejamento
76
(31%). Na dimensão comportamental denominada Afetividade, segundo o referencial

teórico (QUADRO 8), os respondentes tendem a se envolver em excesso, enquanto,
no fator adaptabilidade, demonstrou-se o maior indício de indivíduos ansiosos para
que as mudanças ocorram.
No fator profissional denominado Organização, como foi constatado pelo QUADRO

5 da base teórica da APP, os valores altos evidenciam que os respondentes
possuem tendência ao perfeccionismo, podendo até se exceder na organização. No
mesmo QUADRO, na dimensão Planejamento, destacou-se a o indicador “Sobrou”
(escores 7, 8 e 9) que revelou que indivíduos com esta pontuação vêm
desenvolvendo a habilidade, mas tendem a ser teóricos.
Conforme o GRAF. 9, a frequência de respostas vinculadas à Administração de

conflitos, nas faixas “Sobrou” e “Sobrou em excesso”, foi de 23% da amostra, o que
equivale a dizer que esses respondentes se autoavaliaram como tendenciosos a ser
explosivos em situações de conflitos (QUADRO 7).
Na dimensão Realização, ao aferir as extremidades da escala, constatou-se uma

diferença (2%), cujo maior indício foi de indivíduos que tendem a estabelecer metas
muito arrojadas (19%) em relação aos respondentes que estão se sentindo
subaproveitados (GRAF. 8 e GRAF. 9). Com os mesmos 19%, a dimensão
Autoimagem aferiu os respondentes que se avaliaram com um perfil autoimagem
elevada.
O GRAF. 8 e GRAF. 9, no fator comportamental Relação com autoridade, ao se

investigar os extremos da escala, aferiram uma diferença superior de frequência
(7%) dos valores baixos em relação aos valores altos, que presume um perfil voltado
para submissão (17%).
Aproximadamente 16% dos respondentes apresentam um perfil que excede na

dimensão Liderança (GRAF. 9). Índice superior aos fatores Controle emocional e
Comunicação, caracterizando os respondentes da amostra como reprimidos e
77
prolixos, com 12% da amostra, cada.
Outros quatro fatores ficaram evidentes no GRAF. 9: as dimensões profissionais

Acompanhamento (3%), Decisão (7%), Tempo de execução (35); e o fator
comportamental Energia vital (4%).
Portanto, foram inferiores a 10% da amostra os respondentes que tendem a: (1)

acompanhar com muito rigor; (2) ser precipitados em decisões; (3) trabalhar
rapidamente, mas comprometendo os resultados; e (4) ter muita energia,
possibilidade de dispersão (QUADRO 5, QUADRO 6 e QUADRO 8).
Destacou-se, no fator Tempo de execução, com maior frequência, a faixa de

pontuação “Sobrou”, o que indicou que esses respondentes tendem a apresentar um
bom tempo de execução, apesar de não terem alcançado os ideais (GRAF. 9).
4.6 Análise com uso de data mining
A seguir, o FIG. 13 apresenta resposta da tarefa de clusterização dos resultados

processados da APP, que foi emitida pela ferramenta de data mining WEKA. Foram
encontrados os 4 clusters, conforme o valor ajustado aos parâmetros do algoritmo.
O primeiro cluster identificado representou quase 23% da base de resultados da

APP, ficando o segundo e o terceiro clusters com pouco mais de 30% cada um (FIG.
13), sendo que o quarto agrupamento, o menor, aferiu 16% da amostra.
Das 20 características profissionais e comportamentais aferidas pela APP, apenas 3

fatores se distinguiram significativamente entre os agrupamentos processados e a
média geral da amostra (coluna “full data”).
78
FIGURA 13 - Relatório de resultado da tarefa de clusterização WEKA – 20 fatores da APP

Fonte: extraído pelo autor a partir da ferramenta WEKA com base da amostra de 2000 a
2010.
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.
O fator profissional denominado Tempo de execução foi a característica que mais se

dispersou nos 4 clusters originados a partir do conjunto de dados. Três clusters (0, 2
e 3) também tiveram uma variação significativa no fator Organização. Além disso, o
fator Intensidade operacional ficou evidentemente distinto da coluna “full data” no
primeiro e no quarto agrupamento (TAB. 3).
79
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.
Além das três características mencionadas, no primeiro agrupamento (cluster 0),

apresentado na TAB. 3, foram constatadas semelhanças deste com o cluster 1 no
fator Comunicação, e no fator Controle emocional, ao compará-lo com o quarto
agrupamento (cluster 3).
80
O segundo agrupamento de dados, cluster 1, também apresentou similaridades com

os outros clusters, em relação ao fator Realização, com cluster 2; e nos fatores
Liderança e Autoimagem com o cluster 3 (TAB. 3, valores em negrito).
O terceiro e o quarto agrupamentos foram os que apresentaram maior similaridade

dos dados em relação aos fatores investigados. O cluster 2 foi similar aos fatores
Detalhismo-delegação, Decisão, Sociabilidade e Relação com autoridade, ao ser
comparado com o cluster 3, conforme as indicações em negrito na TAB. 3.
Apenas os fatores Percepção-priorização, Acompanhamento e Adaptabilidade,

indicados na TAB. 3 por um asterisco (*), não apresentaram fatores com os mesmos
valores, numa análise entre os clusters e a coluna “full data”, apesar de ter
apresentado baixo coeficiente de variação.
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”.
A primeira informação relevante da clusterização foi elicitada pela distinção entre os

clusters e os dados completos. Pelo menos um dos três fatores profissionais: (a)
Tempo de execução, (b) Organização e (c) Intensidade operacional aferiu que todos
ou nenhum dos respondentes atingiu o potencial ideal no respectivo fator.
Estes fatores aparecem isoladamente no GRAF. 10, a seguir, apresentando o

resultado da clusterização e ignorando as demais características mapeadas.
O GRAF. 10 esclarece, em porcentagem, duas novas informações que se

apresentaram como relevantes na FIG. 13 e TAB. 3. A segunda informação útil
obtida foi que o primeiro cluster (número 0) aferiu 0% nos três fatores. Ou seja, o
primeiro cluster da APP foi formado por respondentes que não atingiram o perfil
idealizado, demonstrando que possuem, simultaneamente, dificuldades em: (a)
trabalhar com prazos curtos e sob pressão de tempo; (b) aspectos organizativos do
81
trabalho e; (c) seu volume de trabalho.
GRÁFICO 10 – Comparativo dos fatores de maior coeficiente de variação entre os 4

clusters e o conjunto “full data” da Avaliação de Potencial e Perfil (APP) – Período de
2000 a 2010
Fonte: Elaborado pelo autor a partir do resultado da tarefa de clusterização.
A terceira informação útil foi que o cluster 3 se assemelha com o primeiro

agrupamento, com exceção do fator profissional denominado Intensidade
operacional (GRAF. 10). Neste fator, todos os respondentes do cluster 3 alcançaram
o escore ideal (4, 5 ou 6); portanto, estes possuem bom volume de trabalho, apesar
de persistir um perfil profissional com dificuldades em organização e no tempo de
execução das tarefas.
No exame dos dados referentes ao cluster 1, que correspondeu aproximadamente a

82
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%).
O foco de interesse do cluster 1 se fixou na diferença em relação ao conjunto total

que, por lógica, foi produzido pelo fator Tempo de execução. Neste caso, a
totalidade de seus respondentes atingiu o nível desejado para o fator denominado
Tempo execução.
O terceiro cluster apresentado no GRAF. 10 foi o agrupamento que, também pela

grande proporção, se aproximou do conjunto “full data” em relação ao valor do fator
Intensidade operacional (42%).
Sobressaíram duas diferenças: (1) no item denominado Tempo execução, o

percentual dos dados indicou que todos respondentes estão com dificuldades em
relação ao tempo de execução das tarefas; (2) e no fator Organização, os mesmos
respondentes apresentam boa capacidade organizativa.
A seguir, o QUADRO 9, resume as características identificadas nos 4 clusters a

partir da interpretação dos dados minerados:
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.
4.7 Potencial dos respondentes identificados nos clusters
A seguir, apresentam-se o nível do potencial dos respondentes nas dimensões

Tempo de execução (GRAF. 11), Organização (GRAF. 12) e Intensidade
operacional (GRAF. 13) a partir de consultas à base de dados analítica da APP.
GRÁFICO 11 – Potencial do fator Tempo de execução da Avaliação de Potencial e Perfil

(APP) que caracterizou os 4 clusters identificados na amostra – Período de 2000 a 2010
84
Conforme o estudo prévio de Libério e Carvalho (2010) foi possível detalhar as

faixas de potencial (GRAF. de 11 a 13) da APP, a partir da identificação de fatores
mais evidentes na tarefa de clusterização.
No GRAF. 11, a expressão “sofre de stress”, que nomeia a faixa de insuficiência de

potencial na dimensão Tempo de execução, foi dominante em três clusters (0, 2 e
3). Nesses agrupamentos, os valores altos não ultrapassaram 7% de
representatividade intracluster. O potencial ideal (“bom”) foi apenas identificado no
cluster 1.
A seguir, o GRAF. 12 apresenta o potencial do fator Organização:
GRÁFICO 12 – Potencial do fator Organização da Avaliação de Potencial e Perfil (APP)

que caracterizou os 4 clusters identificados na amostra – Período de 2000 a 2010
85
No fator organização, o potencial ideal, como apresentado anteriormente, esteve

presente apenas no cluster 2. No primeiro e quarto agrupamentos, o perfil
“perfeccionista” teve maior concentração, sendo mais significativo no cluster 0. Nos
clusters 0, 2 e 3, os valores baixos não ultrapassaram 40% de representatividade
intracluster.
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
GRÁFICO 13 – Potencial do fator Intensidade operacional da Avaliação de Potencial e

Perfil (APP) que caracterizou os 4 clusters identificados na amostra – Período de 2000 a
2010
86
A seguir, o QUADRO 10 resumiu os 4 clusters identificados na APP:
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.
Portanto, os clusters foram interpretados a partir da autoavaliação dos seus

respondentes (QUADRO 10):
 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
Numa abordagem lógica e ordenada, é importante apresentar como os objetivos

específicos da pesquisa foram cumpridos. Com base na elicitação e aferição do
referido atendimento, é possível concluir o alcance do objetivo geral deste estudo.
O primeiro objetivo visou a apresentar os princípios teóricos que originaram o

instrumento de autoavaliação APP, sendo atendido pelo capítulo dedicado à revisão
da literatura ao abordar o PAPI e as características de construção do instrumento.
O referencial teórico também descreveu o processo atual da APP, documentando

como são mensurados o nível de potencial e o perfil dos profissionais, concluindo
assim o primeiro objetivo específico.
O segundo e terceiro objetivos específicos foram alcançados por meio do capítulo de

apresentação e discussão dos resultados, que possibilitou apresentar a proporção
dos cargos, examinando as características demográficas dos respondentes e a
frequência de respostas dos profissionais brasileiros, dos vinte fatores da
autoavaliação, a partir de um diagnóstico coletivo.
Para completar os objetivos supracitados, foi necessário atender o quarto objetivo

específico, que consistiu em explorar os bancos de dados de respostas da APP,
construindo uma base de dados analítica com 8.832 registros.
O penúltimo capítulo e a presente conclusão permitem atender ao quinto objetivo

específico, que é de confrontar resultados demonstrados pelo processo de KDD,
numa perspectiva base teórica proposta pela APP.
Os relatos de todas as etapas do KDD enriqueceram e fizeram constatar que as três

macroatividades desse processo são fatores críticos de sucesso para obtenção de
88
novos aprendizados. Pode-se ressaltar a definição de operações mais assertivas,

possibilitadas pela estratégia de experimentação implementada antes da efetiva
mineração dos dados.
A pesquisa apresentou o processo de KDD e a técnica de DM aplicados à área de

RH, possibilitando o diálogo entre áreas de conhecimento distintas por meio de um
estudo descritivo qualitativo da APP, com aplicação significativa, levada em
consideração pelos mais de 8 mil registros de sua amostra.
As iniciativas deste estudo com uso de técnicas exploratórias de data mining

demonstraram uma pequena, mas significativa, parcela das possibilidades de
aquisição de conhecimentos dos fatores profissionais e comportamentais do
diagnóstico, usando a ferramenta WEKA. É claro, entretanto, que é apenas mais
uma forma de contribuição para investigar a complexidade deste tipo ferramenta
aplicada ao desenvolvimento de pessoas.
Assim, o desenvolvimento desse projeto identificou e descreveu os quatro grupos

(clusters) com base nos resultados da APP. As descrições dos clusters
possibilitaram a identificação de 17 fatores correlatos e permitiram a avaliação dos 3
fatores de distinção intercluster em relação à média dos fatores atingida por seus
respondentes (conjunto de dados).
A respeito dos clusters, o perfil profissional autopercebido pelos respondentes da

APP foi semelhante à média da amostra nas dimensões: Detalhismo/delegação,
Flexibilidade/ criatividade, Energia vital, Percepção/ priorização, Acompanhamento,
Liderança, Decisão, Comunicação, Controle emocional, Sociabilidade,
Administração de conflitos, Autoimagem, Adaptabilidade a mudanças, Afetividade,
Planejamento, Relação com autoridade e Realização.
Enquanto, esses mesmos profissionais brasileiros se autoavaliaram nos fatores

Tempo de execução, Organização e Intensidade operacional, posicionando-se em
89
quatro agrupamentos distintos em relação à média estabelecida pelo conjunto total

da amostra.
Outra questão importante trata do conjunto de dados. Os resultados da APP foram

obtidos em situação real e, consequentemente, representam dados de realidade
referentes ao RH de um conjunto de empresas no período relativamente extenso e
recente. Acerca disso algumas constatações como, por exemplo, a questão da
presença feminina em idades mais jovens pode ser evidenciada.
É importante lembrar que o instrumento é autoadministrado e refere-se a uma

percepção dos respondentes sobre sua própria realidade. Esta condição pode gerar
interpretações diferenciadas, quando analisadas por outras pessoas. Por exemplo, o
item “sofre de stress” pode ser superestimado por uma pessoa normalmente
tranquila que, ocasionalmente, e talvez recentemente, tenha se excedido em um
contexto específico de alta pressão. Outra pessoa mais agitada pode ter seu
cotidiano atribulado e se autoavaliar predominantemente com “boa” intensidade
operacional.
Outro viés a evitar é enfatizar excessivamente as diferenças em detrimento dos

elementos em comum entre os respondentes. O inventário da APP é um instrumento
abrangente e o conjunto dos dados mostra que a situação é complexa e que, dentre
todos os fatores, há muita similaridade em dezessete deles. Talvez a clusterização
tenha destacado que, entre os respondentes brasileiros da amostragem disponível,
haja quatro estilos profissionais. Dois mais dominantes e outros dois também
importantes e que se diferenciam, enquanto autopercepção, nas direções
apontadas.
Algumas das constatações de Corrêa (2009), sobre o perfil profissional dos

respondentes, ficaram evidenciadas, trazendo intrigantes indagações para
aprofundamento das suas interpretações.
90
5.1 Direções futuras
Para atividades futuras, é importante a apresentação desses resultados para os

especialistas responsáveis pelo desenvolvimento dessa ferramenta, com o objetivo
de discutir e validar todos os aprendizados, bem como avaliar outros conhecimentos
que não tenham sido elicitados no relato desta pesquisa.
Como próxima etapa, recomenda-se avaliar outras técnicas de clusterização,

possivelmente com o paradigma hierárquico, além de outras técnicas de DM, com a
tarefa de associação, que possam explorar de forma ainda mais extensa e frutuosa
a importante base de dados com respondentes brasileiros da APP.
O desenvolvimento contemplado nesta pesquisa atendeu às propostas previstas na

metodologia. Será necessário, ainda, empreender as fases de análise pela variação
das características no período de tempo e seu contexto histórico.
Dada a natureza do instrumento, seria interessante avaliar se a autopercepção dos

respondentes da APP condiz com a realidade profissional aferida no ambiente de
trabalho.
Outra questão para estudo futuro seria confrontar os resultados da amostra

brasileira com os resultados de outros países para comparar o potencial de
autopercepção de pessoas de culturas diferentes.
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.
APP. Avaliação de Potencial e Perfil: Modelos de Relatórios e Documentação.

Disponível em: <http://www.appweb.com.br/apresenta/>. Acesso em: 10 jun. 2010.
APP. Avaliação de Potencial e Perfil: Formulário de Respostas. Disponível em:

<http://www.appweb.com.br/APP_Formulario_de_Respostas.pdf>. Acesso em: 20
jun. 2010b.
APP. Avaliação de Potencial e Perfil: Descrição dos Fatores Profissionais e

Comportamentais. Disponível em: <http://www.appweb.com.br/competencia.php>.
Acesso em: 20 jul. 2010c.
ALBUQUERQUE, L. G. & FISCHER, A. L. Para onde vai a gestão de pessoas. HSM

Management, 44, maio-junho de 2004.
ANTONELLO, C. S. As formas de aprendizagem utilizadas por gestores no

desenvolvimento de competências. In: ENCONTRO DA ASSOCIAÇÃO NACIONAL
DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO, 28., 2004, Curitiba.
Anais... Rio de Janeiro: Anpad, 2004.
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.
CASTELLS, M. A sociedade em rede. 3. ed. São Paulo: Paz e Terra, 2000. 2 v.
CEFET-MG. Programa de Pós-Graduação em Educação Tecnológica: Linhas de

Pesquisa. Disponível em: <http://www.et.cefetmg.br/site/sobre/pesquisa.html>
Acesso em: 10 jan. 2010.
CIOS, Krzysztof et al. Data Mining: a knowledge discovery approach. New York:
Springer Science, 2007.
COMINI, G. M.; KONUMA, C. M.; SANTOS, A. L. Sistema de gestão por

competências: um olhar crítico para a dimensão do desenvolvimento individual.
Gestão e Regionalidade, [S. l.], v. 24. n. 69, jan./abr. 2008.
92
CORRÊA, M. L. Avaliação de potencial e perfil: apostila do facilitador. Belo

Horizonte: [s. n.], 2009. 20p. Disponível em: <http://www.appweb.com.br/Apostila%
20do%20Facilitador%2002%20jan%2009.pdf>. Acesso em: 20 jul. 2009.
EMBRATEL. Códigos DDD. Disponível em: <http://www.embratel.com.br/

Embratel02/files/secao/06/13/365/codigos_ddd.doc> Acesso em: 2 jul. 2010.
FAYYAD, U. et al. (Ed.). Advances in Knowledge Discovery and Data Mining.

Boston: MIT Press, 1996.
FLEURY, M. T. L. A gestão de competência e a estratégia organizacional. In:

FLEURY, M. T. L. (Org.). As pessoas na organização. São Paulo: Editora Gente,
2002.
FURNHAM, A.; GRAIG, S. Fakeability and correlates of the perception and

preference inventory. Person. Individ. Diff, [S. l.], v. 8, n. 4, p. 459-470, 1987
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.
GOLDSCHIMIDT, R.; PASSOS, E. Data mining: um guia prático. Rio de Janeiro:

Elsevier, 2005.
GRESSLER. L, A. Introdução à pesquisa: projetos e relatórios. 2. ed. rev. e atual.

São Paulo: Loyola, 2004. 295 p.
GRINSPUN, M. P. S. Zippin. Educação Tecnológica: desafios e perspectivas. 3. ed.

São Paulo: Cortez, 2002.
JAMIL, G. L. Gestão de informação e do conhecimento em empresas brasileiras:

estudo de múltiplos casos. 2005. Tese (Doutorado) - Escola de Ciência da
Informação da UFMG. Belo Horizonte, 2005.
KOSTICK. M. Kostick’s Perception and Preference Inventory. Applied, Brookline,

MA: Psychology Associates, 1977.
LAUDON, K. C.; LAUDON J. P. Sistemas de informação gerenciais: administrando a

empresa digital. 7. ed. São Paulo: Prentice Hall, 2007.
LIBÉRIO, L.; CARVALHO, H. G. Análise da Avaliação de Potencial e Perfil (APP) de

Profissionais Brasileiros com Uso de Data Mining. In: CONTECSI - CONGRESSO
INTERNACIONAL DE GESTÃO DA TECNOLOGIA E SISTEMAS DE
INFORMAÇÃO, 7., 2010, São Paulo. Anais... São Paulo: TECSI EAC FEA USP,
2010. p. 139-139.
MALHOTRA, N. Pesquisa de Marketing: uma orientação aplicada. 3. ed. Porto

Alegre: Bookman, 2001.
93
MCLEAN, J. E.; CHISSON, B. S. Multivariate Analysis of Ipsative Data: problems and

solutions. 1986. Disponível em: <http://www.eric.ed.gov/ERICWebPortal/
contentdelivery/servlet/ERICServlet?accno=ED278717>. Acesso em: 1 maio 2010.
MURRAY, H. A.. Explorations in Personality. New York: Oxford University Press.

1938.
NEVES, J. L. Pesquisa qualitativa – características, usos e possibilidades. Caderno

de Pesquisa em Administração, São Paulo, v. 1, n. 3, 2 sem. 1996.
PACHECO. L. et al. Capacitação e desenvolvimento de pessoas. 2. ed. Rio de

Janeiro: FGV, 2009.
PAPI. General Information and description of the instrument. Cubiks (PA Group
Company). 2003.
PTC. Psychological Testing Centre: The British Psychological Society Tests

Reviews: Disponível em: <http://www.psychtesting.org.uk/test-registration-and-test-
reviews/testreviews.cfm?Test_ID=60& page=summary> Acesso em: 20 jul. 2009.
SANTOS, C. B. Análise dos resultados do WHOLQOL-100 utilizando Data Mining.

2007. 108 f. Dissertação (Mestrado) - Universidade Tecnológica Federal do Paraná.
Ponta Grossa, 2007.
SIOP. Society for Industrial and Organizational Psychology: Convention Program:

Division of Industrial Psychology American Psychological Association.1966.
Disponível em: <http://www.siop.org/tip/Archives/online/TIP%20Volume%203,
%20Issue%203.pdf> Acesso em: 2 jul. 2010.
SIQUEIRA, M. M. (Org.). Medidas do comportamento organizacional: ferramentas de

diagnóstico e de gestão. Porto Alegre: Artmed, 2008.
TAKARASHI, T. (Org.). Sociedade da Informação no Brasil: livro verde. Brasília:

MCT, 2000.
TAN, P.; STEINBACH, M., KUMAR, V. Introdução ao DATAMINING Mineração de

Dados. Rio de Janeiro: Editora Ciência Moderna Ltda., 2009.
WEKA. Disponível em: <http://www.cs.waikato.ac.nz/ml/weka>. Acesso em: 27 jun.

2009.
WELTER, G. M. R. Humanguide: evidências de validade da versão brasileira. 2007.

172 f. Dissertação (Mestrado) - Programa de Pós-graduação em Psicologia da
Universidade São Francisco, Itatiba, 2007.
94
ANEXO A – NOTAS SOBRE A VALIDADE DO PAPI
A British Psychological Society10 na seção “Psychological Testing Centre” publicou

um “Test Reviews” do PAPI de Kostick por solicitação do seu distribuidor local,
Cubiks, conforme o quadro a seguir:
Nome do teste: PAPI: PAPI-I and PAPI-N

Autor do teste original: M. Kostick
Distribuidor local: Cubiks
Data da revisão atual: 2003
Constructos: Comportamentos e preferências apropriados
para o espaço de trabalho
Formas de resposta: Papel e lápis
Computadorizada
Fonte:<http://www.psychtesting.org.uk/test-registration-and-test-reviews/test-registration.
cfm?page=summary&Test_ID=60>. Acesso em: 2 abr. 2010.
O resumo da avaliação do teste, junto aos dados do registro do PAPI, estabeleceu

que as propriedades técnicas do instrumento foram satisfatórias de acordo com o
quadro a seguir:
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
ANEXO B – NOTAS SOBRE O AMBIENTE COMPUTACIONAL
A seguir descreve-se a configuração do ambiente computacional disponibilizado

para instalação da ferramenta de data mining WEKA:
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.
O único ajuste necessário foi necessidade de incrementar a quantidade de memória

utilizada pela máquina virtual Java (JVM, sigla de Java Virtual Machine) antes da
execução do WEKA a partir das seguintes linhas de comando:
java -Dfile.enconding=UTF-8 -Xmx1024m -classpath weka.jar

weka.gui.GUIChooser

Análise Dos Resultados Da Avaliação de Potencial e Perfil (App) em Profissionais Brasileiros, Com Uso de Data Mining

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Análise Dos Resultados Da Avaliação de Potencial e Perfil (App) em Profissionais Brasileiros, Com Uso de Data Mining

Caricato da

Copyright:

Formati disponibili

CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS

Mestrado em Educação Tecnológica

Leandro Libério da Silva

ANÁLISE DOS RESULTADOS DA AVALIAÇÃO DE POTENCIAL E

ANÁLISE DOS RESULTADOS DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP)

Dissertação apresentada ao curso de Mestrado

Área de Concentração: Educação Tecnológica

Linha de Pesquisa: Tecnologia da Informação e

Orientador: Prof. Dr. Heitor Garcia de Carvalho

1. Tecnologia Educacional. 2. Sistemas de Informação. 3. Área de

Dissertação intitulada “Análise dos resultados da avaliação de potencial e perfil

Belo Horizonte, 18 de agosto de 2010

À amiga e autora da APP, Maria Lúcia Rodrigues Corrêa, que proporcionou

Ao Prof. Allan Claudius Queiroz Barbosa, pela disponibilidade e interesse na

Aos professores, colegas e funcionários do CEFET-MG, em especial aos Profs. Drs.

Nesta trajetória desses anos de estudos, várias pessoas contribuíram de alguma

“Se eu deixasse algum presente a você

Utilizaram-se algoritmos de clusterização para descoberta de conhecimento em base

Palavras-chave: Autoavaliação. Avaliação de potencial e perfil. Clusterização.

Keywords: Self-assessment. Assessment potential and profile. Custering.

FIGURA 1 – EXEMPLO DA HIERARQUIA ENTRE DADO, INFORMAÇÃO E

FIGURA 2 – FLUXOGRAMA DO ALGORITMO K-MEANS ................................................... 30

FIGURA 3 – ESQUEMA ESTRELA COMO REPRESENTAÇÃO GRÁFICA DO

FIGURA 4 – TELA DA FERRAMENTA WEKA ...................................................................... 32

FIGURA 5 – ESQUEMA CIRCULAR DO PAPI ..................................................................... 36

FIGURA 6 – FRAMEWORK DE EDUCAÇÃO CONTINUADA - APP .................................... 37

FIGURA 7 – RECORTE DA TELA DE CADASTRO DO INVENTÁRIO ON-LINE DA APP... 40

FIGURA 8 – RECORTE DO EXEMPLO DE RELATÓRIO INDIVIDUAL – VERSÃO

FIGURA 9 – GRÁFICO DE FREQUÊNCIA DO EXEMPLO DE RELATÓRIO INDIVIDUAL –

FIGURA 10 – CLASSIFICAÇÃO DAS FAIXAS DE ESCORE DOS FATORES DA

FIGURA 11 – GRÁFICO DE BARRAS DO EXEMPLO DE RELATÓRIO INDIVIDUAL ........ 44

FIGURA 12 – GRÁFICO DE PIZZA DO EXEMPLO DE RELATÓRIO COLETIVO – FATOR

FIGURA 13 - RELATÓRIO DE RESULTADO DA TAREFA DE CLUSTERIZAÇÃO WEKA –

GRÁFICO 1 – DISTRIBUIÇÃO DE FREQUÊNCIA POR REGIÃO DAS RESPOSTAS DA

GRÁFICO 2 – DISTRIBUIÇÃO DE FREQUÊNCIA POR FAIXA ETÁRIA E SEXO NAS

GRÁFICO 3 – DISTRIBUIÇÃO DE FREQUÊNCIA POR ANO (APLICAÇÃO) E SEXO

GRÁFICO 4 – DISTRIBUIÇÃO DE FREQUÊNCIA POR ANO CARGO DAS RESPOSTAS

GRÁFICO 5 – MAPA COMPARATIVO ENTRE VALOR IDEAL E O ESCORE DE MAIOR

GRÁFICO 6 – MAPA COMPARATIVO ENTRE VALOR IDEAL E O ESCORE DE MAIOR

GRÁFICO 7 – PORCENTAGEM DE RESPONDENTES COM POTENCIAL IDEAL NOS

GRÁFICO 8 – PORCENTAGEM DE RESPONDENTES COM POTENCIAL INSUFICIENTE

GRÁFICO 9 – PORCENTAGEM DE RESPONDENTES COM POTENCIAL EXCEDENTE

GRÁFICO 11 – POTENCIAL DO FATOR TEMPO DE EXECUÇÃO DA AVALIAÇÃO DE

GRÁFICO 12 – POTENCIAL DO FATOR ORGANIZAÇÃO DA AVALIAÇÃO DE POTENCIAL

GRÁFICO 13 – POTENCIAL DO FATOR INTENSIDADE OPERACIONAL DA AVALIAÇÃO

QUADRO 1 FATORES DO INVENTÁRIO PAPI .................................................................. 35

QUADRO 2 FATORES DA AVALIAÇÃO DE POTENCIAL E PERFIL (APP) ....................... 38

QUADRO 3 EXEMPLO DA RELAÇÃO ITEM E FATOR DA AVALIAÇÃO DE POTENCIAL E

QUADRO 4 MATRIZ DE CONVERSÃO DAS NOTAS DA APP DO FATOR

QUADRO 5 CRITÉRIOS DE INTERPRETAÇÃO COLETIVA DOS ESCORES DOS

QUADRO 6 CRITÉRIOS DE INTERPRETAÇÃO DOS ESCORES DOS FATORES

QUADRO 7 CRITÉRIOS DE INTERPRETAÇÃO DOS ESCORES DOS FATORES

QUADRO 8 CRITÉRIOS DE INTERPRETAÇÃO DOS ESCORES DOS FATORES

QUADRO 9 CARACTERÍSTICAS DOS 4 CLUSTERS DA AVALIAÇÃO DE POTENCIAL E

QUADRO 10 CARACTERÍSTICAS DOS 4 CLUSTERS DA AVALIAÇÃO DE POTENCIAL E

TABELA 1 DISTRIBUIÇÃO DA FREQUÊNCIA DE RESPOSTAS (EM %) POR SEXO E

TABELA 2 DISTRIBUIÇÃO DA FREQUÊNCIA DE RESPOSTAS (EM %) POR ANO DE

TABELA 3 FATORES ORDENADOS PELO COEFICIENTE DE VARIAÇÃO DOS 4

APP - Avaliação de Potencial e Perfil

ARFF - Attribute-Relation File Format

CEFET-MG - Centro Federal de Educação Tecnológica de Minas Gerais

CSV - Comma Separate Values