• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Outros
    Após fusões e aquisições, os funcionários sairão ou ficarão? Os pesquisadores dizem que basta perguntar à IA
    Crédito:Unsplash/CC0 Domínio Público

    Em setores de uso intensivo de conhecimento, como o de tecnologia, há uma demanda quase insaciável por funcionários altamente qualificados, como engenheiros de software e desenvolvedores de aplicativos. A necessidade de talentos muitas vezes motiva fusões e aquisições (M&A), em um processo coloquialmente conhecido como “contratação de aquisição”.



    Como é bem sabido, no entanto, as diferenças na cultura da empresa e os desalinhamentos organizacionais durante o processo de fusão podem resultar em rotatividade de talentos, tensão e aumento do potencial de fracasso.

    Em um documento de trabalho recente publicado no SSRN Electronic Journal , Jingyuan Yang, professor de sistemas de informação e gerenciamento de operações da Donald G. Costello College of Business da George Mason University, descobre como prever com eficiência a rotatividade de funcionários usando uma abordagem inovadora baseada em IA. Este artigo também foi coautor de Denghui Zhang, do Stevens Institute of Technology, e Hao Zhong, da ESCP Business School, em Paris.

    “O objetivo principal deste estudo é examinar os efeitos das fusões e aquisições na rotatividade de funcionários em diversos setores de negócios e obter insights generalizáveis ​​sobre os padrões de rotatividade”, afirma Yang.

    Neste estudo, os pesquisadores utilizaram um conjunto de dados do mundo real em grande escala que continha informações sobre o histórico de funcionários adquiridos, bem como informações sobre empresas de fusões e aquisições para seu teste de método. Os pesquisadores então desenvolveram uma “rede neural gráfica heterogênea de ajuste duplo” para prever a rotatividade de talentos na fase de fusão das empresas.

    Por meio da análise de dados, eles mediram um ajuste de organização para organização (O-O), que compara as semelhanças entre as duas empresas, e um ajuste de pessoa para organização (P-O), que analisa a compatibilidade entre funções de trabalho individuais e a nova cultura da empresa.

    Yang enfatiza a distinção entre este estudo e a pesquisa tradicional de fusões e aquisições, que “se concentra apenas nas relações entre empresas, sem a perspectiva da compatibilidade dos funcionários”, diz Yang.

    O ajuste OO e o ajuste PO foram convertidos em uma estrutura gráfica, que pode ser usada para quantificar o ajuste geral das duas empresas. Essa pontuação, por sua vez, determina a taxa provável de rotatividade para cargos específicos.

    Os pesquisadores descobriram que o desempenho preditivo de sua solução superou quatro modelos convencionais de aprendizado de máquina treinados nos mesmos dados, bem como três modelos de redes neurais gráficas existentes.

    Com base em pesquisas existentes, Yang conclui que surpreendentes “30% das aquisições resultantes de fusões foram abandonadas dentro de três anos”, ressaltando a gravidade do problema. Na perspectiva de Yang, isto parece ser uma grande perda e fracasso de uma aquisição orientada para a contratação.

    Mas o que significa a abordagem de Yang para as empresas que possam estar envolvidas em "contratações por aquisição" no futuro e queiram evitar o mesmo destino? Para Yang, este modelo de IA serve como uma ferramenta potencial que pode auxiliar na tomada de decisões e na eficácia geral das organizações.

    “Se eles tiverem essas informações de antemão, acho que isso será muito útil para eles tomarem a decisão de fusão e também para verem se esta é a forma mais eficaz de contratar e reter a equipe”.

    Ela afirma que esse modelo preditivo responde à pergunta “Qual tipo de funcionário será mais afetado e a equipe de RH pode identificar rapidamente se o funcionário desejado irá sair ou não”. Além disso, os dois ajustes contêm informações úteis na avaliação do processo de M&A, para ver se “no nível da empresa há alta compatibilidade, e no nível individual para ver se o futuro funcionário adquirido ficará satisfeito e permanecerá na empresa”.

    Previsões precisas das taxas de rotatividade por função também permitem que as empresas adquirentes tomem medidas proativas para reter funcionários de missão crítica que possam estar em alto risco de pedir demissão. “Isso os ajuda a determinar seu pacote de retenção…[há] muitas estratégias para identificar os funcionários que eles realmente desejam adquirir”, diz Yang.

    "Isso pode ajudá-los a ter a expectativa certa. As empresas precisam considerar o custo estimado do seu pacote de retenção antes de entrar no acordo de fusão e aquisição."

    Mas dada a elevada probabilidade de rotatividade e os custos de retenção resultantes, será que a "contratação por aquisição" é mesmo uma boa ideia na maioria dos casos? “Acho que vai ser tendência por muito tempo, porque ainda traz muitos benefícios. Os adquirentes não obtêm apenas produtos e técnicas exclusivos, mas há um conjunto de conhecimentos básicos entre os funcionários adquiridos que é realmente valioso. estratégia continuará a prevalecer no campo da tecnologia", diz Yang.

    Mais informações: Denghui Zhang et al, Acqui-hiring or Acqui-quitting:Data-driven Post-M&A Turnover Prediction via a Dual-fit Model, SSRN Electronic Journal (2023). DOI:10.2139/ssrn.4389063
    Fornecido pela George Mason University



    © Ciência https://pt.scienceaq.com