Как математическое моделирование может предсказать увольнение сотрудника

Предиктивное моделирование используется в самых разных сферах — например, для прогноза покупательского спроса в ретейле или предсказания аварий и поломок на производстве. В сфере HR математические модели пока не стали чем-то обыденным, но это вопрос ближайшего будущего. Одна из проблем, с которой может помочь справиться моделирование, — это текучка кадров.

Почему люди увольняются

Как правило, о желании сотрудника уволиться HR-отдел узнает, когда человек выкладывает свое резюме на сайтах по поиску работы или приходит с заявлением на увольнение. Пытаться его удержать на этом этапе довольно сложно — такие решения редко принимаются сгоряча. Скорее всего, сотрудник уже все обдумал и укоренился в своем желании уйти из компании. Даже если предоставить ему отпуск, он все равно уволится по возвращении.

Устав «тушить пожары» в своей компании, мы поняли, что нам необходим цифровой инструмент для своевременной диагностики увольнения, чтобы иметь в запасе время на исправление ситуации. Мы передали BI-разработчикам сырые данные (датасет с информацией по всем сотрудникам за три года), на основе которых была сформирована матрица корреляций. Она определяет степень влияния того или иного фактора на склонность сотрудника к увольнению.

Другие факторы, напротив, оказались малозначимыми. Так, алгоритм опроверг нашу гипотезу о наличии существенной взаимосвязи между увольнением и сменой рынка труда, то есть релокацией внутри России.

Уточню, что рейтинг драйверов неудовлетворенности работой в каждой компании будет выглядеть по-своему. Например, айтишникам важно иметь неиссякаемый поток задач — технические специалисты любят прикладывать свои знания на практике и постоянно развиваться, тогда как рабочим на заводе важна низкая статистика травм на производстве — показатель того, что предприятие следит за правилами безопасности.

Как работает предиктивная модель оттока персонала

Факторы с положительной корреляцией, то есть с высокой степенью влияния на склонность к увольнению, были положены в основу предиктивной модели оттока персонала. Суть модели такова: система, построенная на нейронной сети, взвешивает несколько десятков показателей (стаж сотрудника, возраст, наличие детей, уровень зарплаты, спектр задач и прочие), сравнивает их со статистикой увольнений и подсвечивает красным цветом сотрудников, которые могут уволиться в ближайшем будущем. По итогам года можно сказать, что точность прогноза модели составляет 83%.

С сотрудниками в зоне риска, которых подсветила модель, точечно работает HR-отдел. Первый шаг — определить мотивацию человека и понять, действительно ли подсвеченный автоматизированной системой критерий является значимым для конкретного сотрудника в данный момент. В нашей практике был случай, когда внепланово свалился срочный проект. Пришлось экстренно передвигать заранее согласованные отпуска — система забила тревогу. Однако большинство сотрудников отнеслись к форс-мажору с пониманием, и только для нескольких фактор неиспользованного отпуска оказался критичным. Это учли при формировании проектной команды и сохранили штат сотрудников без потерь.

Также наш ведущий разработчик «завалился» в красную зону из-за спектра задач. Беседа один на один выявила неудовлетворенность как глубиной задач, так и проектным направлением. В итоге сотрудника перевели в другой отдел, и он продолжает работать в компании. Такого рода демотивацию можно было выявить и в рамках performance review, но оно проводится раз в год, а предиктивная модель позволяет отслеживать ситуацию в динамике и принимать решения своевременно.

Понятно, что модель не дает готовых рецептов, а указывает на возможные опасности, которые могли проглядеть специалисты HR. Иногда она выдает, казалось бы, контринтуитивные результаты: так, система подсветила в качестве «опасного» фактора не только отсутствие профессионального роста, но и факт прохождения обучения на образовательных курсах, которые оплачивала компания. Из разговоров с сотрудниками выяснилось, что их демотивирует не учеба, а отсутствие возможности применить новые знания в работе. После этого мы не просто увеличили бюджет на индивидуальные планы развития, но и стали следить за тем, чтобы у прошедших обучение были расширены профиль должности и функциональная зона ответственности.

Позволяет ли модель полностью предотвратить увольнения

К сожалению, возможность оперативно снять триггеры увольнения есть не всегда. Одного нашего ведущего разработчика система относила к зоне риска на протяжении пяти месяцев сразу по двум факторам — нахождения в простое и работы в опенспейсе. Сотрудники HR доносили до руководителей критически важные моменты, пытались найти дополнительные задачи в проектах и перевести специалиста на работу из дома. Но тогда удаленка еще не была популярна, а из-за долгого старта проектов обеспечить желаемый объем задач так и не удалось, и сотрудник уволился. Спустя год в компании появились новые проекты с соответствующим стеком, и специалист вернулся — уже на роль архитектора с удаленным форматом работы.

По результатам моделирования HR-отдел не только начал точечно работать с отдельными сотрудниками, но и осознал необходимость глобальных изменений в HR-стратегии на уровне всей компании. Предиктивная аналитика помогла понять, на что нужно направить усилия в первую очередь. Мы стали системно работать с пятью ключевыми триггерами увольнения в компании. В частности, провели всеобщую индексацию зарплаты до медианы рынка и стали учитывать фактор отпусков при формировании загрузки проектных команд.

Очевидно, что математическая модель — не панацея, а лишь один из множества инструментов комплексного подхода к управлению персоналом. И все же, в результате использования предиктивной модели и сделанных из нее глобальных выводов, текучка кадров в компании сократилась в два раза, а стабильность персонала, напротив, повысилась на 6%.