Как спрогнозировать и предотвратить увольнение ключевого сотрудника

Предсказание увольнений: шаманство или наука?

Представьте, что вам говорят: поведение человека, который принял решение уволиться или близок к нему, можно предсказать. В голове тут же начинают крутиться шестеренки: да это же круто – экономия на найме и обучении замещающих работников, целые нервы HR-менеджера, руководителей и стабильная непрерывная работа команды! Следующая мысль: это невозможно, слишком много факторов, которые сложно учесть. Нет, не пойдет. Давайте попробуем понять, за счет чего такой прогноз стал реальностью, по крайней мере, для тех сотрудников, которые работают на ПК.

Офисный работник участвует в онлайн-встречах, отвечает на письма, использует определенные приложения. День за днем выполняя свои обязанности, он формирует свой цифровой портрет. Что же происходит, когда человек решает сменить работу, и как можно спрогнозировать распространенную причину увольнений – эмоциональное выгорание? Никакой магии в этом нет, а математическая статистика и data science.

Когда увольнение можно спрогнозировать?

Первый пример. В компанию пришла молодая девушка-технолог. Хорошее резюме, небольшой, но релевантный опыт работы. Проработав несколько месяцев, она со скандалом была уволена. Причиной стало то, что она начала рассылать письма коллегам с предложением организовать свой стартап, используя ноу-хау отдела и клиентскую базу компании. Коллеги рассказали все директору. А если бы ей удалось их убедить? Прощай, бизнес! Новички – это повышенный риск для организации, но они зачастую не могут причинить большой ущерб.

Аномальную активность в почте можно отследить по нескольким критериям: меняется количество писем в почте сотрудника, появляются определенные маркеры – «стоп-слова». «Диверсантку» можно было вычислить только по изменению характера переписки.

увольнение сотрудников

Второй пример. Технический директор достаточно крупной производственной компании решил сменить сферу деятельности. Причиной называл отсутствие перспектив развития, «зарубание» инициатив руководством. Человек записался на популярные IT-курсы, полгода отучился и начал ходить на собеседования. Еще пара месяцев и он уволился, найдя «работу своей мечты». Для руководства это была существенная потеря – внезапный уход квалифицированного специалиста. Но таким ли внезапным он был?

За полгода до того, как он положил заявление на стол, в его рабочем графике появились изменения. Например, стали наблюдаться длительные перерывы, их можно отследить по активности на рабочем компьютере, в это время он проходил задания на курсе. Снизилась его продуктивность – ведь он больше не был замотивирован на долгосрочный результат. За несколько месяцев эта картина стала еще более явной – он начал брать дни за свой счет и в счет отпуска, чтобы ходить на собеседования. На графике представлены реальные данные – динамика рабочего времени и перерывов в работе уволившегося специалиста.

увольнение сотрудников

Имеет ли смысл прогнозировать увольнения?

Есть мнение, что прогнозировать увольнения работников – неблагодарное дело. Интерпретация результатов анализа цифрового профиля в ряде случаев может быть неверной, а действия человека не ограничиваются действиями на его рабочем компьютере. Да и поводом для увольнения может стать внешняя причина – например, хорошая работа хедхантера конкурента. С одной стороны, это так. Но с другой, бывают ситуации, когда анализ данных с рабочих компьютеров сотрудников позволяет определить, например, выгорание ключевых специалистов. На российском рынке есть разработки, в которых используются алгоритмы, позволяющие выявлять признаки профессионального выгорания у сотрудников.

Ниже я приведу еще примеры, в каких случаях увольнения реально предсказать, и постараюсь на пальцах объяснить механизм такого прогноза.

1. Эмоциональное выгорание

Увольняется юрист. Вздыхая, говорит о прекрасном коллективе и удобном рабочем месте. Но на другой чаше весов оказались пудовые 14 документов на параллельном согласовании и 2 суток на полный цикл согласования. Постоянные переработки, напряженный темп работы – выгорание за несколько месяцев было обеспечено.

Синдром эмоционального выгорания (или синдром супермена) представляет собой процесс постепенной утраты эмоциональной и физической энергии, проявляющийся в симптомах эмоционального, умственного истощения, физического утомления, личностной отстраненности и снижения удовлетворения от исполненной работы.

увольнение сотрудников

На иллюстрации выше – скриншоты одной из систем мониторинга эффективности труда сотрудников. Слева – нормальные показатели динамики цифрового профиля. Справа – показатели, на которые стоит обратить внимание руководителю или HR-менеджеру.

2. Невозможность развития / недостаточный доход

Казалось бы, как можно предугадать увольнение по этой причине, имея в распоряжении только цифровой профиль работника? Однако варианты есть. Например, отслеживание динамики рабочего времени и длительных перерывов в работе. Или оценка продуктивности: непродуктивным считается время, которое работник проводит в непрофильных для его должности приложениях (условный YouTube или соцсети для бухгалтера).

увольнение сотрудников

На графике – динамика рабочего времени и непродуктивной активности уволившегося работника. Он ушел через 2 месяца после того, как была зафиксирована тенденция к снижению продуктивности.

3. Лучшее предложение извне

Из компании ушел руководитель проекта, через некоторое время начали увольняться люди из его команды. Подписывая заявление об уходе, они честно рассказывали, что идут работать к своему бывшему руководителю. Это называется «схантили» команду. По изменению характера работы отследить случай, когда человек меняет работу по приглашению извне, очень сложно. Здесь больше имеют значение такие факторы, как должность, стаж работы в компании, пол, возраст, удобство расположения офиса.

Данные, накопленные в нашей компании, говорят о том, что есть статистически значимая связь между стажем работы в компании и вероятностью увольнения. Наиболее рискованный стаж – меньше 3 лет. Если рассматривать его вкупе с остальными факторами, можно получить портрет человека, который может на определенном этапе развития покинуть команду.

увольнение сотрудников

Именно статистика раньше служила основным инструментом при ручном анализе узких мест в работе специалиста по кадрам. Статистика помогает делать то же самое сейчас – но уже не человеку, а искусственному интеллекту. Давайте посмотрим, какие подходы к аналитике увольнений используются ведущими компаниями.

Предсказание увольнений: распространенные подходы

Все методы предиктивной аналитики базируются на больших данных и на машинном обучении. Основные различия кроются в наборах данных, способах их сбора и выборе алгоритма обучения. Вот как это делают крупные компании, заинтересованные в сбережении своих кадров.

2018 год: опыт компании EY

EY (бывшая Ernst & Young) – крупная британская аудиторско-консалтинговая компания. Для прогноза увольнений в компании использовали данные о рабочем времени из СКУД, данные по заработной плате и развитии работника в компании. Модель оказалась рабочей, но при ее построении пришлось решать этический вопрос об использовании личных данных работника, напрямую не относящихся к его рабочим обязанностям. Еще одна сложность, с которой столкнулись исследователи – разрозненность и мозаичность исходных данных. Информация приходит по разным каналам, в разном формате, некоторые данные собираются фрагментарно.

2019 год: опыт компании SAS

SAS – американская компания-разработчик программ для статистического анализа и систем класса Business Intelligence. Используя персональные данные своих работников за несколько лет, они научились с высокой точностью предсказывать увольнение работников ряда должностей. В этом подходе хорошо все, кроме одного: работники должны знать, что их личные данные, включая уровень зарплаты, активность в соцсетях и прочее, используются для анализа. И снова встает вопрос об этичности использования таких данных.

2021 год: опыт компании «Ростелеком»

HR-команда «Ростелекома» рассказала о том, как они сэкономили миллиарды рублей, вовремя предупредив выгорание 70% ключевых сотрудников, попавших в зону риска. Для прогнозирования использовалось несколько методов машинного обучения, статистика по каждому сотруднику и статистика по отрасли от Росстата.

Во всех перечисленных примерах работают похожие алгоритмы. Посмотрим, что у них под капотом.

Работает или увольняется: как это определяет машина

Работу алгоритмов машинного обучения часто считают магией или таинственным черным ящиком, однако в них используются те же подходы, что и в обычной «человеческой» жизни.

Приведу пример. Казалось бы, можно точно спрогнозировать, какую оценку ты получишь на экзамене. Выучил все билеты, получил «отлично», не готовился – «неуд». Но в реальной жизни есть множество факторов, которые могут этот прогноз скорректировать. Скажем, по дороге на экзамен ты неудачно упал, нога так сильно болит, что тебе уже не до учебы, и ты допускаешь нелепую ошибку. Или так сильно волнуешься, что преподаватель ставит четверку только потому, что видит твою неуверенность. И наоборот: вытянул единственный билет, ответ на который знал, и в итоге выплыл на «хорошо» там, где уже смирился с необходимостью пересдачи.

Как предсказать вероятность получения хорошей/плохой оценки на экзамене с помощью алгоритмов машинного обучения? Мы бы загрузили в модель данные по нескольким сотням (или тысячам) студентов, уже прошедших экзамен. Мы знаем, кто из них сдал, кто провалился. Рассматриваем признаки: пол, предыдущие оценки по разным предметам, темперамент, время года, оценку знания предмета... Все эти признаки модель проанализирует и определит наиболее важные, которые дают наибольший вклад в правильный ответ. На этом этапе она обучается.

Следующим шагом проверим, как работает модель: берем данные, которые она еще не видела, и смотрим, как корректно она определяет целевой признак (факт сдачи экзамена). Если метрики качества на тестовой выборке достигают 80-90% и выше, модель считаем рабочей и начинаем применять для предсказания будущих событий.

В случае с предсказанием увольнений работает та же схема. На вход модели подаются разносторонние признаки цифрового профиля, а она выбирает наиболее важные, влияющие на вероятность увольнения. На выходе получаем предсказание: «на данный момент с такой-то вероятностью этот сотрудник может уволиться». Было бы здорово также добавить, когда он уйдет. Например, через 2,5 месяца. Но на время ухода влияет много внешних факторов, в первую очередь – состояние рынка труда. Поэтому такой машинный прогноз будет крайне неточным.

Так выглядит общий принцип машинного обучения. А теперь расскажу, как это делали мы.

Машинное обучение на алгоритмах Yandex

Итак, целевой признак нашей модели – увольняется человек (это 1) или нет (это 0). Целевой признак один, а вот параметров, по которым происходит его определение, может быть много. Мы используем около 50 характеристик цифрового профиля: данные по продуктивности, данные по встречам и по работе с почтой. Из этических соображений не исследуются активность в соцсетях и прочая персональная информация.

Существует несколько видов алгоритмов машинного обучения. Когда исследуется несколько десятков параметров, подходят древовидные алгоритмы, например, для нашего случая идеально подходит Catboost от компании Yandex. Алгоритмы машинного обучения принимают на вход не только числовые признаки, но и категориальные. Например, стаж работы, пол, должность. Catboost работает и с категориями, и с числами «из коробки», без дополнительной обработки.

Так выглядят шаги построения модели. Причем первый шаг – сбор информации – обычно самый трудоемкий, и его автоматизация – отдельная гордость, за которой стоит огромный труд команды.

увольнение сотрудников

Важные замечания:

  • Качество модели напрямую зависит от объема подаваемых ей на вход данных.
  • Модель, дающую высокие метрики, на уровне не ниже 80%, можно использовать для прогнозирования увольнений в будущем.
  • HR-специалист или руководитель, используя данные прогноза, может предотвратить нежелательное увольнение, предложив работнику варианты развития внутри компании. Иногда достаточно просто уделить время обсуждению его насущных проблем – может оказаться, что они решаются с минимальными затратами.

Мы можем предсказать увольнение работника в двух из трех самых распространенных ситуаций. Результат работы модели – вероятность увольнения конкретного работника. Вот полученные с помощью нашей модели данные о вероятности увольнения работников одного из подразделений нашей компании. Они действительно уволились в рассматриваемый период:

увольнение сотрудников

Читайте также:

Расскажите коллегам:
Комментарии
Руководитель, Москва

появилась новая магия - гадание на БигДате... 

А по существу: 
1. После, не значит в следствии
2. Наличие корреляции не говорит о причинно-следственной связи

Прогнозировать по некоторым данным можно, но: 
а. нужно предъявлять правдоподобные модели, которые объясняют это поведение при некоторых ограничениях
б. говорить, когда эти модели не работают
в. что нужно, что бы эти модели работали лучше

А так - плохое знание математики позволяет разводить наукообразную магию цифр там, где простое человеческое общение является определяющим фактором... 


Руководитель, Москва

ЗЫ - для возможного анализа авторам исследования... Попробуйте проанализировать: 
1. связь характеристик качество работы руководителя и "время средней работы у него подчененных"
2. если у руководителя начинает расти количество увольнений сотрудников, то какие выводы вы делаете?
3. единственный абсолютный точный прогноз, который мы можем дать - это то, что мы все умрем. И все люди рано или поздно покинут компанию... Важна не кроятность, а матожидание... С какой целью Вы оцениваете именно вероятность увольнения? 
4. какой смысл Вы вкладываете в вероятность - для однократного события? А именно увольнение одного конкретного сотрудника?

IT-менеджер, Красноярск

Изменения в продуктивности сотрудника совсем необязательно говорит о его желании уходить из компании. Может, он решил дать себе передышку после сложного проекта, устал или что-то со здоровьем или дома неладно. А может, просто, он влюбился в сотрудницу из соседнего отдела и, наоборот, нацелен сохранить рабочее место во что бы то ни стало, а динамика его показателей говорит об обратном. Так много ситуаций со схожими симптомами. Как вы будете их разделять? 

Единственным, по-факту, хорошим показателем, наверное, является факт требования работником коротких, по дню отпусков вне графика. Но, это так-же может свидетельствовать и о ряде других случаев и нет тут возможности как-то отделить одно от другого. Сотрудник, зная об этой системе, может походить по собеседованиям и в период планового отпуска. 

Другой вопрос, из области этики, на чем и где вы остановитесь, собирая электронное досье на своих сотрудников? Учитывая, что все более личные факты жизни наблюдаемого, как раз, имеют большую прогностическую ценность и наоборот. 

Вывод же, полученный из этой системы, может стать катализатором изменений. От банального "ты чего увольняешься?" - до планирования изменений, передачи функций и найм дополнительного персонала в отдел. Тут может произойти совсем другая игра, как в фильме-спектакле "между небом и землей" с Андреем Мироновым в главной роли.

Может, я сейчас ничего нового и технологичного не предложу, но... А если просто поговорить? 

Партнер, Красноярск

Пфф... нытьё бестолковых компаний о потерях ценных кадров

Рыба, она с головы гниёт, нечего тут на сотрудников кивать, закрывайте лавку раз так )))

Зам. CFO - Директор по экономике и финансам, Владивосток

Если увольняется ключевой сотрудник нужно понять почему на нем замкнуты все процессы и почему вдруг он стал ключевым. Во вторых попытаться, оставить вывести на честный разговор вот все, а то описано выше это работа ради работы. 

Консультант, Самара
Елена Гурская пишет:
Если увольняется ключевой сотрудник нужно понять почему на нем замкнуты все процессы и почему вдруг он стал ключевым.

Елена, это как раз понятно - в большинстве российских компаний существует принцип: Кто везёт - на том и едут. Стоит сотруднику начать проявлять компетенции и инициативу, как на него начинают навешивать всё и вся, без шуток. Если он ещё и отвественный, то быстро становится ключевым. Ну а дальше - как по инструкции: платить за "ключовость" не хотят, сотрудник узнаёт, что таким же гуру, как он, в другой компании платят в три раза больше, и уходит туда. В компании, откуда он ушел, его объявляют врагом народа, проклинают до 7го колена, но от разрушения и хаоса в целом блоке или направлении, возникших после его ухода, компанию это не спасает.

Также в компаниях обычно экономят на дублёрах. У меня есть кейс-пример: в торговой компании работал технолог по бизнес-процессам. Потом его сманили в it-компанию, и вся процедура формализации и регламентирования процессов в компании рухнула, так как заменить человека было некем, а на рынке они свободные редко появляются.

Консультант, Самара
Александр Егоршин пишет:
В компании, откуда он ушел, его объявляют врагом народа, проклинают до 7го колена

Если думаете, что шутка - вот свежий, месяца три давности, пример. О одной компании ушел в полном составе отдел продаж. Шикарные специалисты, действительно, классные продавцы. Но - компания вдруг решила, что зарабатывают они слишком много (то, что продажи растут - никто не связал с мотивацией). И урезало мотивационные бонусы. Ребята ушли. Замечу - без скандала, цивилизовано. И продажи рухнули, конечно.

Руководство, с подачи собственника, объявило их предателями и врагами компании. И ввело запрет на общение с ними оставшихся сотрудников. Дальше развернулось шоу.

Во внерабочее время действующая сотрудница компаниии случайно встретилась с бывшим РОПом. Поболтали - Как дела, чего, выпили кофе. Это случайно увидел другой действующий сотрудник. Который тут же настучал руководству. Сотрудницу, нарушившую запрет, уволили на следующий день без выходного пособия (и не пишите мне тут про законы и ТК - не смешите мои тапочки!). Сотрудница, заметим, была очень результативной и проработала в компании многие годы.

Всем остальным довели - вот, что бывает с теми, кто встречается с врагами компании.

Скажете - дурдом? - нет, достаточно обычная ситуация в наших бизнесах, где собственник нарцисс-самодур, а руководство - шестёрки-прихлебатели.

Нач. отдела, зам. руководителя, Санкт-Петербург

В статье есть доля разумного. Но начать надо с самого главного- кто такой клюбчевой сотрудник и как он стал таковым? 

Нач. отдела, зам. руководителя, Санкт-Петербург

А потом продолжим:

1. Жаль, что статья не отвечает на вопросы о причинах того же выгорания, работы с процессами. 

2. Продолжить можно вопросами мотивации - кто-то готов работать планомерно, а кому-то более комфортен темп "рывками": напрягся и поработал, расслаблся и заново.

3. А как же рост? Да, кому-то важно делать постоянную, прогнозщируемую монотонную работу, а кому-то нужен рост. И что компания делает для того, чтобы понять, кто из сотрудников и на что мотивирован и какие кому делает предложения?

4. А как же принципы кадрового резерва? И работы с ним?

Генеральный директор, Санкт-Петербург

сотрудники приходят работать в Компанию, а увольняются/уходят из-за своих Руководителей....если Руководитель бестолковый - хороших сотрудников он не удержит.

(чем меньше слов в статье, тем больше смысла в ней...)

 

Оставлять комментарии могут только зарегистрированные пользователи
Статью прочитали
Обсуждение статей
Все комментарии
Дискуссии
3
Евгений Равич
Конечно. Иначе просто не могло быть. После появления книгопечатания очень многое изменилось. Но ...
Все дискуссии
HR-новости
Cпрос на сотрудников в гостинично-ресторанном бизнесе вырос на 60%

Зарплатные предложения для новых кадров выросли на 23% по сравнению с зимой прошлого года.

«Вкусвилл» запустил роботов для перевозки товаров в распределительных центрах

До конца 2024 года компания планирует роботизировать 30% операций, связанных с перемещением грузов из зоны приемки в зону хранения.

«Яндекс Еда» начала работать в Бишкеке

Киргизия стала шестой страной СНГ, где доступен сервис — после России, Казахстана, Беларуси, Армении и Узбекистана.

Более 40% наемных сотрудников не могут позволить себе больничный на работе

Свыше трети опрошенных отметили, что из-за проблем со здоровьем им отказывали в повышении.