Представьте: сотрудник, который годами выстраивал процессы, обучал коллег, вдохновлял команду и был важной частью корпоративной культуры, внезапно принимает решение об уходе. Для компании это не только организационный вызов, но и сигнал — возможно, что-то в рабочем контексте не сработало. Это может повлечь за собой сложности с поиском и адаптацией замены, а также влияет на настроение команды и устойчивость бизнес-процессов.
Согласно исследованиям Gallup, замена одного сотрудника обходится компании в сумму от половины до двукратного размера его годовой зарплаты. А если речь идет о высококвалифицированном специалисте или руководителе, цифры могут быть еще выше. При этом 52% добровольно уволившихся сотрудников утверждают, что их руководитель или организация могли бы что-то сделать, чтобы помешать им уволиться.
Еще шесть лет назад техногигант IBM внедрил систему прогнозирования увольнений с точностью до 95% и заявил, что сэкономил $300 млн на расходах на удержание сотрудников. Развитие машинного обучения и ИИ, лежащие в основе подобной аналитики, совершили огромный скачок с того момента. Можно предположить, что современные алгоритмы стали еще более точными в выявлении рисков — не для контроля, а чтобы вовремя предложить сотруднику помощь или возможность пересмотра условий работы.
Какие цифровые индикаторы помогают распознать будущих увольняющихся
Что если бы компании могли заранее знать о риске увольнения и предотвратить его? Современные технологии, такие как предиктивная аналитика, делают это возможным. Алгоритмы машинного обучения анализируют поведение сотрудников, выявляя малейшие изменения в их активности, вовлеченности и коммуникациях.
Основой аналитической системы являются два ключевых понятия:
- Необходимый набор данных — это исходная информация, которую система собирает для анализа. Это фундамент, на котором строятся все прогнозы. Однако сами по себе эти данные — лишь цифры и факты.
- Цифровые паттерны. Система ищет закономерности или изменения в поведении, которые могут указывать на скорое увольнение, и превращает их в полезные инсайты.
Например, снижение активности в таск-трекерах или частое обращение к документам могут быть признаками того, что сотруднику стало некомфортно. Система может зафиксировать такие изменения, чтобы HR-специалист смог вовремя подойти с поддержкой и обсудить, как улучшить ситуацию. Цифровые паттерны — это то, что система «видит» в данных. Они не всегда очевидны для человека, но алгоритмы легко их улавливают, превращая сырые данные в ценные прогнозы.
Какой минимум данных необходим для построения прогностической модели
Один из ключевых принципов предиктивной аналитики — использование исторических и текущих данных. Система анализирует прошлое, чтобы понять будущее. Например, собирает данные, как бывшие сотрудники вели себя перед увольнением, и ищет похожие паттерны поведения у действующих специалистов.
Для эффективного прогнозирования нужен определенный минимальный набор сведений. В него входят:
- Исторические данные по текучести. Данные об увольнениях, их причинах и датах, а также о внутренних переходах и карьерных траекториях сотрудников. Например, если в компании часто уходили сотрудники через полгода после отказа в повышении, это может стать важным маркером для анализа текущей ситуации.
- Рабочая активность. Как сотрудник взаимодействует с корпоративными системами? Частота входа, время, проведенное в рабочих приложениях, активность в таск-трекерах вроде Jira или Trello — все это помогает понять, насколько человек вовлечен в рабочий процесс. Тревожный сигнал — сотрудник, который раньше активно комментировал задачи и участвовал в обсуждениях, вдруг становится пассивным.
- Коммуникационные показатели. Общение — это зеркало вовлеченности. Участие в групповых чатах, частота и стиль переписки, изменения в тоне сообщений. Например, если сотрудник начинает писать более коротко и формально, это может указывать на снижение интереса к работе.
- График работы и дисциплина. Изменения в паттернах рабочего дня — еще один важный индикатор. Частые опоздания или внезапные больничные могут быть следствием личных сложностей или снижения вовлеченности. Важно не делать поспешных выводов, а создать пространство для диалога и поддержки.
- Оценка вовлеченности. Результаты опросов удовлетворенности (например, eNPS), частота и тональность обратной связи. Например, человек начинает реже участвовать в опросах или его ответы становятся более негативными.
Важно помнить, что предиктивная аналитика — это не слежка, а инструмент для улучшения условий работы. Она помогает HR-командам вовремя заметить, что сотрудник испытывает трудности, и предложить ему поддержку, инициировать разговор о нагрузке или карьерных ожиданиях.
Предиктивная аналитика не должна нарушать права сотрудников или использоваться для дискриминации. Все данные должны собираться с согласия сотрудников, а результаты анализа — применяться исключительно для улучшения условий работы. В России это регулируется Федеральным законом № 152-ФЗ «О персональных данных». Это означает, что компании обязаны:
- собирать данные только с согласия сотрудников;
- обеспечивать безопасность хранения и обработки данных;
- информировать сотрудников о том, какие данные собираются и как они используются.
Технологический стек: какие инструменты помогают собрать данные
1. API-решения
Они выстраивают мосты между системами, позволяют разным программам обмениваться данными. В HR-аналитике API играет ключевую роль, соединяя корпоративные системы, такие как CRM или ERP, с HR-платформами.
Как это помогает в прогнозировании увольнений? Представьте, что данные о взаимодействии сотрудника с клиентами автоматически передаются из CRM в HR-систему. Там они анализируются вместе с другой информацией, например, историей зарплат или участием в проектах. На выходе — цифровой паттерн, на который может отреагировать специалист, вмешаться и предупредить негативный сценарий.
Причем валидировать можно не только поведение людей, но и модели компетенций и профили корпоративных компетенций. Представьте запрос: насколько существующий профиль отвечает реальности? Ведь исходя из оценок возможен карьерный рост работника. Что если продвижение в компании идет не «по способностям», а по каким-то иным критериям, и это становится причиной увольнения тех, кто не получил повышения?
В одной нефтяной компании выяснили, что успешными становились те, кто не соблюдал правила и нормы. А с помощью аналитики смогли получить несколько разных профилей «успешности». В таком случае движение по карьерной лестнице становится для сотрудников прозрачным и понятным, а значит, уменьшаются шансы на увольнение.
2. Инструменты по анализу коммуникаций
Они собирают данные из чатов и таск-трекеров. Начинают мелькать слова вроде «перегрузка» или «стресс» — HR получает сигнал о возможных проблемах в команде и имеет возможность вовремя вмешаться.
3. Опросы вовлеченности
Это ранняя диагностика проблем. Если сотрудник находится на грани увольнения, скорее всего, у него уже есть негативные триггеры: выгорание, отсутствие карьерного роста, разногласия с руководством. Если HR-команды будут проводить регулярные опросы вовлеченности (eNPS, опросы удовлетворенности), то смогут заранее видеть, что беспокоит сотрудников, понимать, в каких отделах возникает риск текучести, формировать персонализированную стратегию общения с каждым сотрудником.
Американский ритейлер Best Buy подсчитал, что увеличение вовлеченности на 0,1% увеличивает доход компании на $100 тыс. в год. Этот факт заставил пересмотреть периодичность внутреннего аудита: теперь его проводят ежеквартально, а не раз в год.
4. Автоматизированные опросы
В том числе опросы тех, кто уже решил уволиться. На первом этапе система может автоматически направить сотруднику анкету с вопросами — такой формат удобен, особенно если человеку непросто сразу говорить лично. А дальше HR подключается, чтобы лично обсудить ситуацию и предложить поддержку.
Например: «Почему вы решили уволиться?», «Что вам нравилось и не нравилось в работе?», «Что бы вы изменили в компании?». Ответы анализируются, и система выявляет тренды. Если многие увольняющиеся жалуются на отсутствие карьерного роста, это становится сигналом для руководства: пора разрабатывать программы развития сотрудников.
Компании в большинстве случаев уже используют аналитические системы, которые собирают те или иные данные о сотрудниках. Задача HRD компании самостоятельно или с помощью консультантов выявить те сведения, что уже есть у компании и могут быть использованы в предиктивной аналитике, дополнить технологический стек необходимыми инструментами, заручиться согласием сотрудников, чтобы все было законно и этично. Это позволяет не только рационально использовать ресурсы, но и делать рабочую среду более устойчивой и внимательной к потребностям сотрудников — а значит, укреплять доверие и снижать уровень текучести.
Так в «Сбере» используют данные внутренней системы по социально-демографическому профилю, производительности сотрудников, показателям эффективности, результатам обучения и ассессмента и т. д. Опираясь на эти сведения, работают с прогнозом оттока сотрудников, и есть результаты в моделях построения внутренних карьерных лестниц для массовых специальностей.
Протокол реагирования: что делать с полученными прогнозами
Когда система аналитики выявляет риск увольнения сотрудника, главная задача HR — не просто зафиксировать факт, но и предложить конкретные меры для удержания. Подходы могут значительно различаться в зависимости от категории сотрудников.
Например, для ключевых специалистов, чей уход серьезно влияет на бизнес, стратегии удержания часто включают индивидуальные решения. Это предложения уникальной карьерной траектории, повышение зарплаты, дополнительные бонусы или участие в стратегических проектах.
Если система показывает, что ведущий разработчик теряет интерес к работе, HR может предложить ему возглавить новый перспективный проект или пройти обучение за счет компании. Для сотрудников на массовых позициях акцент часто делается на улучшение условий труда и повышение вовлеченности — например, через гибкий график, обучение или программы признания достижений.
Еще один важный аспект работы с прогнозами — это коммуникация. Подход должен быть деликатным и внимательным, чтобы не вызывать у сотрудника отторжения или недовольства. Вместо прямого вопроса: «Вы собираетесь уволиться?» — лучше начать с открытого диалога. Например: «Мы заметили, что ваша нагрузка выросла. Давайте обсудим, как ее скорректировать».
У нас в компании хотя и не занимаются прямым прогнозированием увольнений, но предоставляют HR-специалистам инструменты для диагностики и коммуникации. Например, если система показывает, что у сотрудника было несколько запросов на обучение, но они не были удовлетворены, HR может инициировать разговор: «Мы видим, что вы хотели пройти курс по новым технологиям. Давайте обсудим, как мы можем это организовать». Такие диалоги помогают не только удержать сотрудника, но и укрепить его доверие к компании.
Как измерять эффективность предпринятых мер
Прогнозирование увольнений — это только первый шаг. Главное, правильно отреагировать на полученные данные: предложить сотрудникам индивидуальные решения, выстроить доверительный диалог и регулярно оценивать эффективность предпринятых мер.
Ключевые метрики оценки:
- Процент удержанных сотрудников — сколько сотрудников остались в компании после вмешательства HR.
- Сроки закрытия вакансий — насколько быстрее удается находить замену ушедшим сотрудникам.
- Уровень удовлетворенности (eNPS) — как изменилось настроение в коллективе после внедрения новых программ.
- Рост производительности — насколько эффективнее стали работать сотрудники после корректировки их нагрузки или карьерных перспектив.
- Регулярные замеры вовлеченности — опросы раз в два года, чтобы отслеживать долгосрочные изменения.
Эти метрики помогают не только оценить успешность текущих мер, но и скорректировать стратегию на будущее. Например, если после внедрения гибкого графика уровень удовлетворенности сотрудников вырос, это может стать поводом для расширения программы на другие отделы.
Человек vs машина: будущее HR-аналитики
За каждым алгоритмом стоит человек. Именно HR-специалисты задают смысл и контекст технологии, а значит, остаются главными архитекторами корпоративной культуры и доверительных отношений в компании. Машины могут подсказывать, но по-настоящему слышать и понимать способен только человек.
Нейросеть уже может предсказать, что сотрудник с высокой вероятностью уволится в ближайшие месяцы, основываясь на его активности, вовлеченности и других факторах. Но ограничения все же есть. ИИ не может заменить человеческую интуицию, эмоциональный интеллект и способность к эмпатии.
Например, если сотрудник переживает личный кризис, встроенная в HR-инструмент нейросеть может заметить снижение продуктивности, но не поймет причину. Здесь на помощь приходит HR-специалист, который может поговорить с сотрудником, поддержать его и предложить решения.
HR-специалисты по-прежнему играют ключевую роль в создании корпоративной культуры, мотивации сотрудников и разрешении сложных межличностных конфликтов. Технологии могут подсказать, где есть проблемы, но решать их должны люди.
Кроме того, именно HR-специалисты отвечают за интерпретацию данных. ИИ выявляет паттерны и тренды, но только человек может понять, как эти данные связаны с реальной жизнью компании.
Читайте также: