Построение модели прогнозирования оттока сотрудников

Человеческие ресурсы, они же кадры, – это важнейшая составляющая любого бизнеса. Различные средства автоматизации позволяют либо снизить нагрузку на персонал, либо уменьшить количество нанимаемых сотрудников. Но полностью уйти от найма в современных реалиях практически невозможно. Даже нейросети, вокруг которых сейчас много разговоров, показали себя не с самой выгодной стороны. Во-первых, как и любые средства автоматизации, они требуют ресурсов и обслуживания, а во-вторых, чтобы общаться с ними и ставить им задачи, всё равно нужен квалифицированный специалист.

Как итог: даже если уменьшается объём штата, обязательно растут требования к квалификации оставшихся работников. В проектах, а особенно в IT-сфере, требования к квалификации максимальные. В команду должны попасть только опытные и действительно знающие предмет специалисты. Иначе работа будет не работой, а сплошной учёбой.

Зачем прогнозировать отток сотрудников

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

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, и компания/проект несёт дополнительные убытки.

При этом никак и ни в чём нельзя обвинить сотрудника – нельзя переложить на него вину или ответственность за понесённые убытки.

Соответственно, компании важно знать, когда и какой сотрудник её может покинуть, чтобы своевременно предпринять 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 говорит о том, 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 т.п.

Итак, чтобы получить более-менее внятный прогноз вероятности увольнения того или иного сотрудника, его нужно оценить по ряду вполне конкретных параметров, чтобы получить ту самую 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 насколько он эффективен на своём рабочем месте. Такая оценка тоже может складываться из ряда различных факторов. Плюс, здесь 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 т.п.
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, чем типовая норма, или меньше, «как у всех» на аналогичной должности или нет. И т.п.
Общий стаж работы в компании. Это скорее характеристика «усталости». Она показывает, насколько человек долго в одном и том же коллективе, насколько он успел погрузиться во все тонкости, не начал ли задумываться о смене места (многие исследования говорят о том, что полезно менять работу 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 (а кроме того, 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, то их тоже можно внести в перечень для последующего анализа.

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

Построение модели прогнозирования

Самая интересная практическая часть. Но идеального решения здесь вы, к сожалению, не найдёте. Вся проблема в том, что анализ должен фактически отвечать на определённые ваши вопросы. То есть важно то, что конкретно вам нужно получить от процесса прогнозирования. Плюс, немаловажно, какая база данных накопилась за время работы.

Ведь если в качестве дата-сета выбрать статистику других компаний, то вы получите «среднюю температуру по больнице», которая никак не будет связана с прогнозированием фактов увольнения конкретно в вашей компании/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 в непонятно каких условиях – 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 отдельно упомянуть – 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 обучаться.

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 – это дорого (по крайней мере 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, с глубоким пониманием процесса. Это могут себе позволить только крупные компании. Плюс, в базе 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 в базе 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 пока реальных примеров внедрения моделей прогнозирования на рынке найти не удалось.

Учитывая всё вышесказанное, текучка кадров в реальности анализируется по старинке – на основе эмпирического опыта и профильных знаний HR-специалистов или руководителей. Что называется, «на живую».