Как снизить текучку кадров с помощью Big Data и Machine Learning: реальный опыт 5 крупных компаний

Big Data, Большие данные, бизнес-процессы, цифровизация, цифровая трансформация, управление проектами, предиктивная аналитика, HR, Machine Learning, бизнес, Большие данные, люди, Машинное Обучение

Продолжая разговор про цифровизацию HR-процессов, сегодня мы рассмотрим, как технологии больших данных (Big Data) и машинного обучения (Machine Learning) помогают сократить текучку кадров и удержать ключевых работников. Читайте в нашей новой статье 5 успешных примеров применения аналитики Big Data в HR для принятия эффективных управленческих решений.

Big Data и Machine Learning против эмоционального выгорания и других причин «внезапного» увольнения

Эмоциональное выгорание (однообразность рабочих процессов, потеря мотивации и отсутствие интереса к задачам) входит в ТОП-10 причин увольнения по собственному желанию. Зная о степени подверженности своих сотрудников этой проблеме, а также другим важным факторам (удовлетворенность зарплатой, отношениями с коллективом, условиями труда и пр.) [1], работодатель своевременно может предпринять нужные меры, не допустив ухода нужных работников. Вообще снижение текучести кадров и удержание ключевых сотрудников – одна из ключевых HR-задач любого руководителя. Аналитические технологии на базе Big Data и Machine Learning позволяют определить вероятность увольнения с помощью предиктивных моделей. Как правило, чтобы получить корректную модель будущего поведения сотрудника, используются следующие данные [2]:

  • профессиональные компетенции (уровень образование, владение иностранными языками);
  • сведения о выполняемой деятельности (должность, наличие подчиненных, условия труда, показатели эффективности работы и их значения);
  • индивидуальные характеристики человека (пол, возраст, социальный статус, наличие детей, психологические особенности);
  • информация об удовлетворенности (рабочий график, уровень комфорта на рабочем месте, уровень оплаты труда, перспективы карьерного роста, время проезда до места работы, конфликты с коллегами и начальством);
  • внешние факторы на рынке труда (востребованность компетенций, динамика изменений зарплаты, репутация работодателя).

Например, собрав такие данные на каждого сотрудника, HR-менеджеры корпорации IBM заблаговременно получают сигналы о возрастании рисков увольнения своих работников и могут предотвратить эти события [3]. Аналогичная Big Data система была внедрена в ИТ-департаменте одной крупной отечественной компании. Примечательно, что прогнозные модели строились не только на статической информации о сотрудниках. Показатели текущей удовлетворенности и вовлеченности работников вычислялись на основе данных из внутренней системы контроля и управления доступом (СКУД). По сути, СКУД выступала источником данных о корпоративном поведении каждого человека, четко фиксируя время перерывов, опозданий, ранних уходов и поздних приходов. Выявленная таким образом динамика отношения сотрудника к работе позволяла спрогнозировать вероятность его профессионального выгорания и предупредить это явление [2].

Похожим образом Big Data система предиктивной аналитики для HR используется в корпорации Hewlett-Packard. Еще в 2011 году штатные Data Scientist’ы построили собственные ML-модели, прогнозирующие вероятность увольнения каждого из 300 000 сотрудников. Для этого анализировались данные отдела кадров за предыдущие 2 года. В результате был сгенерирован показатель «Flight Risk» (риск ухода), значение которого рассчитывается индивидуально для каждого сотрудника в зависимости от его личных метрик. Благодаря этому HR-менеджеры своевременно реагировали на сигналы-предвестники увольнений и предупреждали их. Такая система машинного обучения сэкономила предприятию около $300 000 000. Кроме того, предиктивная аналитика в HR показала, что для сотрудников Hewlett-Packard увеличение зарплаты также важен, как и карьерный рост. В частности, в отличие от корпорации Google, при отсутствии повышения денежной компенсации за свой труд, даже при повышении в должности, работник Hewlett-Packard увольняется в течение 5 лет. А вот анализ данных о текучести кадров в Google показал, что новые сотрудники отдела продаж, которые не получают повышения в течение 4 лет, чаще увольняются [3].

Интересен также опыт американского банка JPMorgan, который внедрил HR-систему на базе технологий Big Data и машинного обучения, чтобы заранее выявлять риски инсайдерского мошенничества. Также финансовая корпорация использует этот ML-проект для прогнозирования случаев внезапного увольнения банковских работников. Например, отследить настроение сотрудников и снижение их мотивации помогает NLP-анализ эмоциональной активности в рабочих чатах и переписке по корпоративной почте [4].

машинное обучение для HR, как снизить текучку кадров, снижение оттока сотрудников
ML-модели помогут заблаговременно выявить риск ухода сотрудника и предупредить его

Поможет ли предиктивная аналитика сократить число увольнений?

Впрочем, говоря о прогнозировании увольнений, подчеркнем еще раз важность процесса сбора данных для аналитической модели и определения ключевых предикторов – переменных, которые влияют на результат. В частности, обновление резюме далеко не всегда означает поиск нового места работы. И, наоборот, отсутствие в обучающем датасете отдельных метрик может привести к неполноте модели Machine Learning и, соответственно, неверной интерпретации результатов моделирования. Кроме того, даже при наличии верного прогноза и корректной HR-аналитики, руководитель далеко не всегда обладает рычагами влияния на сотрудника с высоким риском ухода [5].

Поэтому ML-модель оттока работников (Churn Rate) должна непрерывно дополняться новыми данными и корректироваться с учетом внутреннего состояния предприятия и ситуации на рынке труда. Например, кризис в отрасли или в отдельной компании существенно повышает вероятность массового увольнения сотрудников по собственному желанию. Аналогичным образом действуют дорожные заторы и пробки, увеличивающие время, которое человек тратит, чтоб добраться до работы [1]. Как технологии Big Data позволяют выявить такие факторы и снизить их влияние на работников, сокращая риск ухода и повышая вовлеченность, мы расскажем в следующей статье.

технологии машинного обучения и больших данных в управлении человеческими ресурсами
Цифровизация HR-процессов с помощью технологий Big Data и Machine Learning позволит сократить текучесть кадров

Как эффективно использовать большие данные и машинное обучение для предиктивной аналитики в управлении персоналом и запустить цифровизацию HR-процессов в своем бизнесе, вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, Data Scientist’ов и аналитиков Big Data) в Москве:

расписание компьютерные курсы для руководителей, аналитиков, программистов, администраторов и пользователей Internet of Things, Big Data и Machine Learning Смотреть расписание занятий
регистрация на компьютерные курсы для руководителей, аналитиков, программистов, администраторов и пользователей Internet of Things, Big Data и Machine Learning Зарегистрироваться на курс

Источники

  1. https://pravo.moe/top-12-prichin-uvolneniya-s-raboty/
  2. https://hr-academy.ru/hrarticle/prediktivnaya-analitika-v-hr.html
  3. https://finassessment.net/blog/predictiv-analitika-hr
  4. https://emerj.com/ai-sector-overviews/machine-learning-in-human-resources/
  5. https://edwvb.blogspot.com/2019/10/hvatit-predskazyvat-uvolnenie-rabotnika.html