Interpretando os resultados
Nossos algoritmos não apenas nos permitem conhecer a sensação de pertencimento de uma pessoa ao grupo (empresa ou cargo), como também analisar o próprio grupo. Nós conseguimos, de fato, analisar a estrutura dos dados psicométricos que definem um grupo de indivíduos; em outras palavras, as características psicológicas que definem este grupo.
O gráfico abaixo corresponds a um algoritmo com um alto grau de confiabilidade, mostrando uma grande capacidade de previsão e uma boa área dentro da curva de ROC (AUC).
A área dentro da curva de ROC representa a habilidade do nosso algoritmo de distinguir entre indivíduos que pertencem ou não a um grupo específico. Uma área de 50 significa que o algoritmo tem a mesma capacidade de previsão que um palpite aleatório. Por outro lado, uma área de 100 significa uma previsão perfeita: sem falsos positivos e sem falsos negativos. A área dentro da curva de ROC nunca pode ser menor que 50.
Aqui, uma pecisão de 95 % significa que o algoritmo é capaz de detectar indivíduos que pertencem a um grupo de referência (uma empresa, por exemplo) a partir de novos dados em 95 % das vezes.
O gráfico abaixo corresponde a um algoritmo com baixa performance - com ele é difícil identificar aspectos invariáveis de comportamento. Um candidato aleatório não é muito diferenciado de um candidato que pertença a um grupo de referência.
