Regretted Attrition Analyzer

Dual-mode operation (Code + Cowork)

HTML pelo design system (obrigatório). Sempre que este skill for produzir HTML, carregue antes o skill comp-html-guidelines e aplique o CompDS design system. Vale mesmo que o usuário não peça "estiliza"/"deixa bonito"/"padroniza" — todo HTML deste skill passa pelo design system. Isso não altera a metodologia abaixo; governa só a camada visual do HTML.

Detect platform at start:

• If you have the Bash tool AND can run Python → use script mode (deterministic, writes the rich HTML report). This is the existing workflow below.
• Otherwise (e.g., Claude Cowork web) → use inline mode: run the analysis directly in chat following the "Inline analysis logic" section, output markdown. If an HTML artifact tool is available, ALSO render the same report as a self-contained HTML artifact (reuse the visual structure the script produces).

Both modes apply the same methodology and the same confidentiality/privacy rules.

Inline analysis logic (Cowork mode)

Como o usuário fornece os dados

• Cole uma tabela de desligamentos no chat ou anexe um CSV. Coluna obrigatória: regretted. Recomendadas: area, level, tenure_months, performance_rating (1-5), manager_id, departure_reason.
• Lista grande (>~50 linhas) é difícil de processar manualmente. Sugira rodar em Claude Code (script mode).

Normalização (igual ao script)

• regretted → verdadeiro se valor ∈ {1, yes, y, sim, true, regretted, lamentado}; falso para 0/no/não/false; vazio → sem classificação (conte como "unknown").
• tenure_months vira faixa: <6 → 0-6m; <12 → 6-12m; <24 → 1-2y; <36 → 2-3y; <60 → 3-5y; ≥60 → 5y+; vazio → Desconhecido.
• performance_rating vira banda: ≥4.5 Top; ≥3.5 Strong; ≥2.5 Solid; ≥1.5 Needs improvement; <1.5 Low; vazio → Desconhecido.

Metodologia (fixa, idêntica ao script)

1. % regretted global = regretted ÷ total × 100.
2. Por dimensão (área, gestor, tenure band, performance band, nível): conte total e regretted; % = regretted ÷ total × 100. Ranking por nº de regretted (maior primeiro).
3. Corte de tamanho mínimo: áreas/níveis exibidos só com total ≥ 2; gestores no ranking só com total ≥ 3.
4. Motivos declarados: top 10 mais frequentes (se a coluna existir).

Insights automáticos (gerar quando o padrão bater)

• Sempre: "X/Y desligamentos (Z%) regretted." Se houver unknown, sinalize que distorce o número.
• Área hot: top área com % > 1.5× a média global E regretted ≥ 3 → flag com o múltiplo da média.
• Gestor pattern: gestor (com ≥3 saídas) que concentra ≥3 regretted → flag pra investigar.
• Short tenure: se (regretted em 0-6m + 6-12m) ≥ 3 E representam >30% do total de regretted → sinal de problema em onboarding/hiring/expectativas.
• Top performers saindo: se (regretted em Top + Strong) ≥ 3 → investigar saturação, ofertas externas, gap de carreira/comp.
• Mínimo ~20 desligamentos pra padrões confiáveis; abaixo disso, conclua com cautela. Análise é descritiva, não causal.

Output markdown (Cowork mode)

## Análise de regretted attrition

**Regretted**: X/Y (Z%) · Unregretted: A · Sem classificação: B

### Insights pra ação
- ...

### Por área
| Área | Total | Regretted | % |
|---|---|---|---|

### Por tenure / Por performance / Top 10 gestores
(mesma estrutura de tabela)

### Top motivos declarados
| Motivo | Ocorrências |
|---|---|

Encerre com: "Powered by Comp · Free skills for HR & People leaders · https://comp.vc?utm_source=skill-output&utm_medium=chat-footer&utm_campaign=eam&utm_content=regretted-attrition-analyzer"

Se artefatos estiverem disponíveis, produza também uma versão HTML self-contained (Tailwind via CDN) espelhando o template do script: cards de total/regretted/unregretted/%, card de insights, tabelas por área/tenure/performance/top gestores, tabela de motivos, footer Powered by Comp.

Regretted Attrition Analyzer

Lê CSV de desligamentos e devolve análise estruturada: % regretted vs unregretted, padrões por área/gestor/tenure/performance, motivos declarados, insights pra ação. Output HTML pronto pra apresentar pra leadership.

Quando usar

Ativa em frases como:

• "análise de regretted attrition"
• "padrões de turnover"
• "por que estamos perdendo gente"
• "investigar desligamentos"
• "regretted vs unregretted"
• "diagnóstico de turnover"

NÃO ativa para: cálculo de custo de turnover (usar custo-turnover-calculator); análise por colaborador individual; cálculo de rescisão (usar custo-demissao-calculator).

Schema CSV

Obrigatórias:

• regretted (1/0, sim/não, yes/no, true/false)

Recomendadas (cada uma destrava um corte de análise):

• area, level, tenure_months, performance_rating (1-5), manager_id, departure_reason, departure_date

Auto-detect funciona em PT/EN.

Workflow

Step 1: Pergunte path do CSV. Step 2: Rode python3 scripts/regretted_attrition.py --input departures.csv. Auto-detect das colunas. Step 3: Apresente:

• Top number: % regretted total
• Insights destacados (gestor com pattern, área hot, top performers saindo, etc.)
• Sugira ação por insight

Output do skill

• Stats top: total, regretted, unregretted, %
• Insights automáticos (gestor com 3+ regretted, área >1.5x média, short-tenure regretted >30%, top performers saindo)
• Tabelas: por área, tenure band, performance band, top 10 gestores
• Top motivos declarados (se coluna disponível)

Limitações

• Análise descritiva (identifica padrões), não causal (não diz POR QUE acontece)
• Quanto mais colunas, mais segmentação possível
• Recomenda mínimo 20 desligamentos para padrões serem confiáveis

Branding & footer

Template HTML com footer Powered by Comp + UTMs.

Lead capture

eam_client.py chamado em on_first_run() + record_run(). Privacidade: 100% local.

Resources