Вовлекайте свою команду, используя искусственный интеллект и машинное обучение

Сегодня мировой рынок труда является жестким и высококонкурентным. Предприятия — частные, некоммерческие, образовательные и общественные — сталкиваются с исторически низким уровнем безработицы и беспрецедентно высоким уровнем добровольных увольнений. Неудивительно, что управление текучестью кадров теперь является HR-метрикой с наивысшим приоритетом. Почему? Потому что, когда сотрудники увольняются, они не только увольняют организацию, но и получают от них существенную ценность.

Текучесть кадров очень дорого обходится организации. Последствия текучести кадров усугубляются для организаций, профессии которых требуют специального образования или обучения. Перенайм и переподготовка потерянных талантов такого калибра, скорее всего, потребует больше времени и денег. Согласно исследованию SHRM (Общество управления человеческими ресурсами), прямые и косвенные затраты на замену сотрудников могут составлять от 30% до 150% годовой заработной платы сотрудника, в зависимости от уровня занятости от начального/неквалифицированного до руководителя. Стоимость замены для руководителей высшего звена может подняться до более чем 200%.

К счастью, организации имеют больше контроля над увольнением, чем они думают. Им просто нужно уметь читать знаки. Современные технологии предоставляют мощные методы как для прогнозирования, так и для снижения текучести кадров.

Эра кадровой аналитики

Получение информации — способность получать точное и глубокое интуитивное понимание — является основным преимуществом прогнозной аналитики. В случае текучести кадров прогнозная аналитика может не только помочь вам понять, почему сотрудник увольняется, но и подсказать, как предотвратить его потерю.

Знайте, что увольнение сотрудников можно контролировать. Прогнозная аналитика начинается с определения набора параметров, влияющих на сотрудников и организацию. Будут предсказуемые параметры, такие как пенсионный возраст, рождение ребенка или плановое лечение. С другой стороны, некоторые из них непредвиденны, например, финансирование или операционная деятельность, переезд офиса или смена руководства. Во всех этих случаях аналитические модели, разработанные в результате анализа данных, могут определить, кто собирается уйти, когда и почему.

Настройка параметров

Алгоритмы прогнозирования, подобные тем, которые используются QuitAlert, позволяют организации получить четкое представление об увольнении сотрудников, а также расширенные возможности для принятия превентивных мер. По сути, процесс начинается с кластеризации и классификации профилей сотрудников на основе множества атрибутов, таких как уровень образования, опыт работы, удаленность от родного города, возраст, пол, семейное положение и т. д. Эти точки данных будут генерировать несколько уровней «риска увольнения». База данных может быть расширена, чтобы включить больше параметров, таких как производительность за годы, частота повышения заработной платы, продвинутые навыки и обучение и т. д.

Точность и ценность разрабатываемой прогностической модели будут напрямую зависеть от качества и диапазона выбранных параметров. Другими словами, параметры определяют, какой «тип» прогностической модели лучше всего подходит для удовлетворения потребностей организации.

Вот один из примеров, демонстрирующий подход QuitAlert к прогнозированию сотрудников, которые собираются уволиться в течение 3-6 месяцев:

Интерпретация графика поведенческого анализа:

Красные изогипсы иллюстрируют разную интенсивность зон отношений, разделяемых как активными, так и пассивными сотрудниками. Эти зоны представляют регионы, вызывающие наибольшую обеспокоенность. Зеленые точки (активные сотрудники), отображаемые в непосредственной близости от красных изогипс или в пределах интенсивных красных изогипсных зон, с большей вероятностью будут вести себя как красные точки (пассивные сотрудники), которые ранее ушли. Эти зеленые точки затем идентифицируются как высокий риск бегства или могут привести к перемещению сотрудников.

Определение используемой прогнозной модели

Аналитика выходит за рамки измерения и описания прошлого и позволяет прогнозировать, что может произойти, и оптимизировать то, что должно произойти. Существует три типа аналитики:

  • Описательная: аналитика, которая поможет вам понять, как идут дела.
  • Predictive: аналитика, которая поможет вам прогнозировать будущую производительность и результаты.
  • Предписывающая: аналитика, предлагающая предписанный шаг или действие.

Теперь доступны алгоритмы искусственного интеллекта и машинного обучения, которые позволят построить прогностическую модель, которая наилучшим образом соответствует конкретным потребностям организации. Среди вариантов — модель «классификации», которая классифицирует сотрудников в зависимости от риска их ухода из компании. Существует также модель «нелинейной регрессии», которая дает «вероятность истощения», когда результаты прямо противоположны.

Если текучесть кадров должна основываться на дополнительных факторах, таких как индекс Джини и другие коэффициенты, может быть целесообразным использование модели «дерева решений». Поймите, что модель дерева решений может стать очень большой и сложной, если она опирается на несколько параметров.

Метод «случайного леса», который объединяет несколько деревьев решений с использованием нескольких алгоритмов для классификации и понимания сложностей и прогнозов, может быть лучшим подходом, когда требуется особенно широкий анализ.

Хотя каждая из этих моделей предназначена для обеспечения точной предсказуемости, беспроблемная реализация будет зависеть от выбора правильной модели. Решение о том, какую модель использовать, будет основываться на параметрах, доступности данных, бюджете, вычислительной мощности и требованиях лиц, принимающих решения.