Большинство из нас работали в компаниях, которые предоставляют своим сотрудникам достойные льготы в годовщину прихода в компанию. Однако после того, как сотрудники получают льготы, приличное количество этих сотрудников покидает свою компанию в поисках нового работодателя.

В свою очередь, это равнозначно увеличению текучести компаний или текучести кадров. Основываясь на этом наблюдении, льготы не всегда являются ключевыми стимулами для удержания сотрудников.

Отток сотрудников может быть дорогостоящим, что включает в себя ресурсы, выделяемые на набор, найм и укомплектование персоналом:

• Компании инвестируют время и ресурсы в собеседования с новыми сотрудниками.

• Возможная потеря производительности

• Процесс адаптации сотрудников

• Испытательный срок, чтобы убедиться, что новые сотрудники подходят для компании

В непринужденной беседе со студентом MBA Стэнфордского университета я узнал, что в Toyota есть сотрудники, которые работают в компании более 35 лет. Согласно сообщению в блоге о компании: «При переезде большой процент сотрудников (67%) решили переехать в Техас». В чем залог их успеха? Какова их стратегия удержания сотрудников в компании? Такие компании, как Toyota, добились успеха в снижении затрат, связанных с оттоком сотрудников.

Каковы его факторы успеха? Является ли стратегическим ответом?

В этой статье основное внимание уделяется использованию двух алгоритмов машинного обучения: логистической регрессии и случайного леса, чтобы предсказать причину (почему) и время (когда) сотрудники уйдут с работы. Этот тип предупреждений будет очень полезен для компаний при предварительном планировании и использовании стратегических моделей удержания сотрудников, чтобы свести к минимуму потерю производительности и ресурсов. В этом исследовании я и моя команда (Дипика Мадхангопал, Юссеф Карпентер) изучим индикаторы и вероятность увольнения сотрудника.

Прежде чем мы пойдем дальше, позвольте мне объяснить, как будет выглядеть путь машинного обучения:

1. Получение набора данных/источника данных: для исследования мы использовали набор данных (наполненный поддельными данными) из почти 15 000 записей вместе с более чем 16 переменными прогнозирования.

2. Подготовка/очистка данных и применение исследовательского анализа данных (EDA) к таким данным, как исследование нулевых данных, фиктивных переменных, недостаточной/избыточной выборки и корреляции между всеми переменными в наборе данных.

3. Создайте обучающие и тестовые наборы данных и оцените наборы данных, чтобы убедиться, что мы сделали выборку правильно.

4. Применить/развернуть модель машинного обучения.

5. Оцените развернутые модели:

Наши выводы:

Несмотря на то, что набор данных, над которым мы работали, был заполнен данными, в которых мы не были на 100 % уверены в их происхождении и точности, мы обнаружили, что сотрудники с более высокой заработной платой, высокой удовлетворенностью работой и недавно повышенные в должности менее склонны к оттоку и, следовательно, более склонны к увольнению. вероятно, останутся со своим нынешним работодателем. Мы можем быть предвзятыми, глядя на самые очевидные критерии мотивации сотрудников; однако цель этого письма состояла в том, чтобы подчеркнуть важность HR-аналитики и сохранения стратегии при найме талантов, а также предоставления сотрудникам индивидуальных стимулов, чтобы они оставались лояльными к компаниям. С другой стороны, компании также предотвратят огромные расходы, связанные с оттоком сотрудников.

Какие критерии и стратегии вы бы использовали для прогнозирования оттока сотрудников?