Ростелеком

Как предсказать увольнение ключевого сотрудника и перевернуть ситуацию?

Искусственный интеллект «вычисляет» сотрудников, в большей степени склонных к увольнению.

Из всех технологичных компаний "Ростелеком", пожалуй, может похвастаться достаточно невысоким оттоком персонала, но если посмотреть его в абсолютных значениях, то цифра получится солидная - ежегодно нас покидают порядка 18 тысяч человек (при общей численности нашей группы 130 тысяч сотрудников), Как следствие – возрастает нагрузка на подбор и требуются дополнительные затраты на поиск, привлечение, адаптацию и обучение новых сотрудников. Эти затраты варьируются от 10% до 100% годового оклада, в зависимости от позиции – массовая она или ключевая. Таким образом, расходы исчисляются в миллиардах рублей.

Чтобы решить задачу по удержанию ключевых сотрудников и сократить лишние затраты, мы создали сервис прогноза увольнений. С помощью технологии искусственного интеллекта он определяет сотрудников, попадающих в зону риска, и факторы, влияющие на прогноз.

Как это работает?

В основе нашего сервиса лежит предиктивная аналитическая модель: через алгоритмы машинного обучения мы определяем вероятность увольнения сотрудника, период риска и факторы, влияющие на конкретного человека. Модель анализирует порядка 50 факторов и ранжирует, на кого из них тот или иной фактор оказывает большее влияние. Например, анализируется изменение в модели поведения сотрудника в корпоративных системах, факторы его настроения, интереса к мотивационным и корпоративным программам и другое. Для обучения модели мы используем как внутренние статистические данные, так и внешние показатели (данные Росстата и анализ соответствия уровня дохода сотрудников со среднерыночными показателями).

Если говорить о технологии, модель обрабатывает данные и делает прогноз на виртуальном ЦОДе на языке Python, используя Random Forest, xgboost, SVM, SGD, Decision Tree. Мы анализируем не только базовые статистические показатели, такие как зарплата, количество детей или возраст – нам важно найти нетривиальные зависимости. На уход одного сотрудника влияет карьерный трек и образование, увольнение другого мы сможем предсказать по динамике общения с коллегами или продолжительности нахождения в офисе, риск потерять третьего складывается из непройденных обучающих курсов и частоты отпусков.

Результаты прогноза мы публикуем на внутренней платформе Qlik Sense – они доступны сотруднику HR и руководителю любого подразделения. Платформа Qlik позволяет увидеть расширенную аналитику по сотруднику, в том числе показать факторы прогноза, сравнить их с ситуацией в подразделении, сегменте, компании и показать слабые зоны.

Что делать?

В большинстве случаев увольнение можно предотвратить, если своевременно распознать проблему и предложить сотруднику варианты решения. Иногда сотрудника, который два года не отдыхал и в высокой степени склонен к увольнению, достаточно просто отправить в отпуск. Пострадавшему от профессионального выгорания можно оплатить обучающий курс или вовлечь в особо значимый проект. Если у человека какие-то личные трудности или, например, он сдает сессию в университете – разработать для него индивидуальный график, а недовольному техническим оснащением – заменить рабочее оборудование на более производительное. Эти меры не избавят от 100% увольнений по собственному желанию, но они точно повлияют на лояльность немалой части сотрудников, и можно будет попробовать найти компромисс.

При запуске модели мы провели пилотный проект с одним из филиалов, и он показал свою эффективность: работая с результатами моделирования, нам удалось удержать 70% ключевых сотрудников, попавших в рисковую зону.

При этом важно непрерывно развивать текущий сервис: мы обладаем хорошей статистической базой, но эти данные не отражают живые эмоции сотрудника. Сейчас мы разрабатываем инструменты анализа счастья и стресса сотрудников: с каким настроением сотрудник пришёл в офис, чего не хватает новичку, как и почему меняется качество внутреннего взаимодействия, у кого высокая вероятность выгорания? и что мы можем сделать для предотвращения увольнения. Мы активно анализируем обратную связь сотрудников и разрабатываем цифровые инструменты поддержки, например, одна из последних разработок – бот-помощник для руководителя.

Какие планы?

Наш сервис работает не только для внутреннего клиента – мы делаем прогноз для внешних заказчиков и планируем развивать его как самостоятельный продукт для рынка. Одновременно мы разрабатываем инструменты для перевода модели в класс прескриптивной аналитики. То есть сейчас алгоритмы показывают нам, что будет завтра, но решение по исправлению ситуации принимает человек – прескриптивная модель будет сама искать варианты по исправлению ситуации и предлагать наилучший. Обновленный сервис позволит нам принимать оптимальные HR-решения в динамичной среде: разрабатывать профили, управлять карьерой и жизненным циклом сотрудника, влиять на лояльность и производительность компании.

Никита Черкасенко, директор департамента HRM-технологий и аналитики «Ростелеком»

0
1 комментарий
Виктор Фомин

Спасибо за материал, интересны эти технологии, недавно видел про сервис Давида Яна на эту же тематику.

Можно также ради теоретического интереса уточнить — какое-то количество лет назад у Ростелекома, судя по тому, что я прочитал в Гугле, было NN млн рублей подтвержденных судами долгов перед потребителями за косяки в обслуживании (проигранных дел), причем эти деньги, как говорит Гугл, на то время не были выплачены, т.е. постановления судов были проигнорированы.

Если это так, в этом плане технологии как-то развиваются? Я как-то интересовался у ваших операторов, мне сказали, что это не мое дело.

Ответить
Развернуть ветку
Читать все 1 комментарий
null