Как математическая модель может предсказать ваше увольнение

Предиктивная аналитика на основе big data способна спрогнозировать всё что угодно, включая склонность сотрудника к увольнению по собственному желанию. О предиктивном моделировании в сфере HR рассказывает руководитель направления систем бизнес-аналитики BIA Technologies Станислав Воронин.

Я уже описывал, как предиктивные модели могут с удивительной точностью предсказать покупательский спрос на товары в розничном магазине или будущие аварии и поломки на производстве. Еще одна сфера, в которой активно применяется прогнозная аналитика, — это управление персоналом. Вы наверняка слышали, что искусственный интеллект уже умеет ранжировать резюме и выбирать подходящих кандидатов на должность. Но знали ли вы, что математическая модель может «подсветить» сотрудников, склонных в ближайшем времени к увольнению?

Как мы создали модель для предсказания оттока персонала

Недавно мы разработали именно такую модель для внутреннего пользования в своей компании. Всё началось с того, что к нам обратился HR-отдел с просьбой провести анализ оттока сотрудников и понять, можем ли мы определить «зону риска» и тем самым уменьшить текучку персонала.

В основе любой предиктивной модели лежат большие данные. В нашем случае это был датасет с информацией за 2018–2021 годы по всем сотрудникам, которые работали или продолжают работать в компании. В числе этих данных были, например, такие: возраст сотрудника, общий стаж, стаж в компании, семейное положение, количество детей, сравнение зарплаты с медианой рынка, смена должности или подразделения, личность и возраст руководителя команды, результаты опроса в ходе ежегодного перформанс-ревью и многие другие.

Понятно, что вся эта информация заполнялась людьми, и никто не застрахован от опечаток. Поэтому нашей первой задачей было подчистить таблицу от заведомо недостоверных данных и точечных перекосов. Например, мы столкнулись с тем, что у некоторых сотрудников указанный рабочий стаж превышал количество прожитых лет.

Следующий шаг — создание матрицы корреляций. Нам нужно было определить, какие из десятков имеющихся факторов действительно влияют на склонность сотрудника к увольнению, а какие — нет. Так, оказалось, что количество взятых больничных и число простоев не имеют статистически значимой взаимосвязи с увольнениями. Эти факторы были исключены из расчетов.

Отмечу, что мы с самого начала договорились не учитывать в модели данные exit-интервью, когда сотрудника спрашивают, почему он увольняется из компании. Мы не могли быть уверены в достоверности этих данных, так как люди в подобных ситуациях склонны лукавить. Бывало, что руководителю направления сотрудник мог назвать одну причину своего ухода, а эйчару — совсем другую. Некоторые и вовсе оставляли вопрос без ответа. Стоит ли говорить, что пробелы в данных негативно сказываются на точности финального прогноза.

Факторы с положительной корреляцией стали вводными для предиктивной модели. Система, построенная на нейронной сети, анализирует список текущих сотрудников и выявляет тех, кто склонен к увольнению по тем или иным причинам.

В теории, подобную модель можно разработать для любой компании. Но нужно учитывать, что в разных компаниях список существенных факторов будет разным. Например, мы учитывали в качестве важного фактора внутреннюю градацию сотрудников на производственный, непроизводственный и полупроизводственный тип работы. В свою очередь, какая-нибудь логистическая компания наверняка будет учитывать показатель средней производительности и количество ДТП, в которые попадал водитель.

Как удержать сотрудников, попавших в «зону риска»

С коллегами, которых «подсветила» система, далее работает HR-отдел. Здесь важно держать в голове две вещи. Во-первых, не существует универсальных рецептов, к каждому человеку нужен индивидуальный подход. В рамках перформанс-ревью сотрудников, в частности, просят расположить различные мотивационные факторы в порядке убывания важности. Кому-то важнее всего уровень зарплаты, кому-то — возможность профессионально расти и разбираться со сложными, интересными задачами, кому-то — работа на удаленке и т. д.

И во-вторых, к любым выводам математических моделей нужно подходить с умом и не принимать скоропалительных решений. Например, наша модель показала, что к повышенной вероятности увольнения ведет прохождение обучения на курсах. Это вовсе не значит, что нужно запретить сотрудникам заниматься самообразованием. Вместо этого необходимо проанализировать связанные факторы, и тогда окажется, что проблема не собственно в курсах, а в том, что человеку не предоставили возможность применить полученные знания на практике. HR-отдел должен следить за развитием сотрудника и рекомендовать расширение круга задач в соответствии с его новыми компетенциями.

Словом, к управлению персоналом следует подходить комплексно. Как и в случае с любой другой системой на основе больших данных, предиктивная модель оттока сотрудников — не более чем хороший инструмент, он требует грамотного специалиста, который проанализирует результаты моделирования и примет взвешенные решения об удержании, поддержке и развитии каждого конкретного человека.