Прогнозирование оттока сотрудников: кадровые ресурсы и эффективность

Человеческие ресурсы, или кадры, являются ключевым элементом любого бизнеса. Различные средства автоматизации позволяют снизить нагрузку на персонал или уменьшить количество нанимаемых сотрудников. Но полностью отказаться от найма в современных реалиях практически невозможно. Даже нейросети, вокруг которых сейчас много разговоров, обладают своими ограничениями. Во-первых, как и любые средства автоматизации, они требуют ресурсов и обслуживания. Во-вторых, для общения с ними и постановки задачи всё равно нужен квалифицированный специалист.

Как итог: даже при сокращении штата, требования к квалификации оставшихся работников неизбежно возрастают. В проектах, а особенно в IT-сфере, требования к квалификации максимальные. В команду должны попасть только опытные и действительно компетентные специалисты. Иначе работа превратится в сплошную учёбу.

Зачем прогнозировать отток сотрудников

Если конвертировать время сотрудников в деньги, которые они получают за свою работу, можно легко понять, что любой персонал – это затраты. И чем выше квалификация персонала, чем меньше на рынке специалистов конкретного профиля, тем выше затраты. Сюда также можно включить мероприятия по корпоративному обучению, необходимость оборудования рабочих мест и мест отдыха, проведение различных корпоративных мероприятий, соцпакет, страховые отчисления, налоги и прочее.

В реальности сотрудники очень дорого обходятся компании. Соответственно, потеря любого сотрудника – это потеря времени, денег и вложенных в него ресурсов.

Поиск нового сотрудника для оперативной замены – это не только дополнительные расходы, но и время простоя, в течение которого выполняемая ранее работа не выполняется. Некоторые функции могут быть критичными и влиять на работу других специалистов, служб и отделов. Как итог, сдвигаются сроки, нарушаются условия контактов, а компания или проект несут дополнительные убытки.

При этом сотрудника нельзя ни в чем обвинить – невозможно переложить на него вину или ответственность за понесённые убытки.

Соответственно, компании важно понимать, когда и какой сотрудник может уйти, чтобы своевременно принять меры, необходимые для снижения возможных негативных последствий.

На основе чего строить прогноз

Понятно, что любой человек – это отдельная личность, со своими мыслями и желаниями. Но теория управления гласит, что персонал – это в первую очередь ресурсы. А значит, ресурсы можно как-то охарактеризовать и измерить.

Какие именно «параметры» можно оценить у сотрудника? Если говорить непосредственно об увольнении, то это в первую очередь уровень его удовлетворённости. Это комплексная оценка, которая складывается из различных факторов: уровень заработной платы, имеющийся социальный пакет, отношение к нему со стороны руководства, отношения в коллективе, сложность труда, перспективы карьерного роста и прочее.

Итак, чтобы получить более или менее четкий прогноз вероятности увольнения определенного сотрудника, его нужно оценить по ряду вполне конкретных параметров, чтобы позволит сформировать комплексную оценку.

О каких параметрах речь? Мы предлагаем следующие общие характеристики:

Общий уровень удовлетворённости сотрудника. Оценка субъективная, выясняется путём заполнения специальных опросных листов или в личной беседе (с руководителем или со специалистом HR-службы). Оценка может выражаться в баллах или в процентах – относительно максимально возможного результата.
Оценка эффективности сотрудника. Показатель характеризует то, насколько он полезен для компании и эффективен на своём рабочем месте. Такая оценка тоже может складываться из ряда различных факторов. Здесь также может присутствовать субъективный фактор, который зависит от отношения непосредственного руководителя. Но лучше всего оценивать эффективность сотрудника по набору максимально объективных показателей, привязанных к конкретным должностным обязанностям. Например, выполнение плана продаж, выработка нормочасов и другое.
Количество проектов, с которыми работал сотрудник. Грубо говоря, это оценка, характеризующая его опыт. Если сотрудник не задействован в проектах, можно посчитать количество закрытых им крупных задач.
Среднее количество рабочих часов по итогам месяца. Это уже оценка фактической нагрузки. Больше она или меньше, чем типовая норма на аналогичной должности.
Общий стаж работы в компании. Это скорее некая характеристика «усталости». Она показывает, насколько долго человек в одном и том же коллективе, насколько он успел погрузиться во все тонкости, не начал ли задумываться о смене места (многие исследования утверждают, что работу полезно менять раз в пять лет).
Занимаемая должность. Тут важно не само название, а примерный уровень в имеющейся иерархии (от самой низкооплачиваемой до самой высокой должности в компании).
Время последнего повышения. Вместо конкретной даты можно использовать простой признак наличия или отсутствия карьерного движения за последние 5 лет. Такой поход тоже будет информативен и к тому же удобен в расчётах.
Факты наличия несчастных случаев. Может быть простой бинарный признак в формате «да/нет».
Заработная плата. Тут важна не столько конкретная сумма, сколько «категория» или «вес» этой заработной платы внутри предприятия. То есть признак можно указывать условно, на основании групп, например, «высокая», «средняя», «низкая» и т.п.

Если у вас есть какие-то более конкретные факторы, потенциально влияющие на желание сотрудника покинуть компанию или проект, их тоже можно внести в перечень для последующего анализа.

Например, это могут быть: возраст, пол, семейное положение, наличие текущих кредитов/ипотеки и многое другое.

Построение модели прогнозирования

Самая интересная практическая часть. Однако идеального решения здесь вы, к сожалению, не найдёте. Проблема заключается в том, что анализ должен фактически отвечать на конкретно ваши вопросы. То есть важно понимать, что именно вы хотите получить от процесса прогнозирования. Кроме того, немаловажно, какая база данных накопилась за время работы.

Если в качестве датасета выбрать статистику других компаний, вы получите так называемую среднюю температуру по больнице, которая никак не будет связана с прогнозированием фактов увольнения конкретно в вашей компании или проекте.

Пример такого «общего» расчёта можно найти в работе Валерия Колесникова, опубликованной в «Вестнике Балтийского федерального университета» в 2019 году.

Там в качестве датасета использовались готовые базы, скачанные с общедоступного ресурса.

Например, на их основе было выявлено, что наиболее важными факторами, влияющими на решение об увольнении, являются (по приоритетам):

Общий уровень удовлетворённости.
Состоявшиеся факты несчастных случаев.
Отсутствие ротаций по разным должностям в течение последних 5 лет («застой» на одном месте).

К слову, уровень заработной платы, как один из наиболее значимых коэффициентов, находится только на 4 месте по важности.

Этот общий датасет ни в коем случае не стоит рассматривать в качестве реальной нормы. Это статистика по увольнениям, собранная без конкретики и подтверждённых фактов.

Реальную картину и более точную модель прогнозирования можно получить только на основе своей собственной статистики и системы оценок.

Как именно считались коэффициенты и какие математические модели применялись в исследовании Колесникова:

Модель логистической регрессии (наиболее низкая точность, около 80% при сравнении результатов по исходной выборке, и высокая сложность),
Метод решающих деревьев (простой и быстрый расчет, вполне приемлемая точность, около 97%).
Метод градиентного бустинга (с глубиной деревьев не более 3, более сложный расчёт в сравнении с методом решающих деревьев, но такая же точность, около 97%).

Изучить механизм расчётов по указанным методикам можно в профильной литературе.

Единственный нюанс, который хотелось бы упомянуть отдельно – важность проверки точности результатов.

Какую бы модель расчётов вы ни выбрали, итоги весовых коэффициентов нужно регулярно проверять на реальных данных и, при необходимости, корректировать. То есть модель должна непрерывно улучшаться.

При особом желании и при достаточном уровне технических навыков для анализа данных можно применить нейронную сеть. Она автоматически выстроит свой вариант весовых коэффициентов для всех обозначенных параметров и продолжит обучаться в дальнейшем.

Вместо выводов

Нужно ли прогнозировать вероятность оттока сотрудников на предприятии? Безусловно. Любое увольнение обходится дорого для компании. А кто предупреждён, тот вооружён.

Но непосредственно техническая реализация может породить ряд проблем. Нужен либо готовый модуль для имеющейся HR-системы, а таких готовых решений на рынке пока нет. Либо отдельная программа, способная интегрироваться с имеющимися базами данных и с HR-софтом, с BPM-системами. Такое приложение придётся писать своими руками и с глубоким пониманием процесса. Это могут себе позволить только крупные компании. Помимо этого, в базу данных нужно будет внедрить большое количество специальных признаков и характеристик, а в обязанности HR-специалистов внести ряд изменений, чтобы при каждом увольнении заполнялся специальный опросный лист, а часть параметров собиралась и обновлялась на постоянной основе (как минимум раз в месяц).

При этом профит, получаемый от внедрения такого программного решения, весьма спорный. Затраты могут не окупиться. Именно поэтому найти реальные примеры внедрения моделей прогнозирования на рынке пока не удалось.

Учитывая всё вышесказанное, текучка кадров на практике анализируется традиционными методами – на основе эмпирического опыта и профессиональных знаний HR-специалистов или руководителей, то есть “на глаз».