Ценный кадр: как предсказать увольнение сотрудников с помощью Big Data
Фото Getty Images

Ценный кадр: как предсказать увольнение сотрудников с помощью Big Data

Фото Getty Images
На конференции Forbes директор дивизиона «HR-сервисы» компании IBS Дмитрий Прохоренко рассказал, какие факторы влияют на желание сотрудников уволиться и как создать мощный HR-бренд с помощью аналитики больших данных

Подразделение «HR-сервисы» компании IBS занимается модернизацией HR-процессов и высокотехнологичным HR-аутсорсингом для крупных компаний. В задачи входит выполнение около 15 000 наймов ежемесячно и оценка порядка 10 млн заявок в год на различные кадровые позиции. Чтобы обработать такой объем информации, задачи были автоматизированы, а для их анализа применены методы работы с большими данными. Результаты аналитики помогают принимать стратегические и тактические решения в HR. Компании, которые автоматизируют HR-решения, обычно интересуют несколько задач.

Управление профилем успешности. Если стоимость конечной продукции высока, а производительность труда может сильно колебаться, то, принимая на работу «правильных пчел, которые будут делать правильный мед», компания может заработать на повышении производительности.

Борьба с текучестью кадров. Как предсказать увольнение сотрудников? Тут есть два подхода. Наиболее распространенный — собирать данные о поведении людей в IT-системах компании и делать по ним выводы о конфликтах в коллективе.

Цифровой след сотрудника. Пожалуй, самая интересная задача. Сотрудники кадрового департамента достаточно дисциплинированно собирают данные о людях, они нужны, чтоб считать заработные платы, вести кадровый учет и т. п. Но благодаря IT-системам корпоративных порталов, CRM-системам и системам управления движением кандидатов появился большой массив данных нового типа, который можно использовать для более широкого круга задач. Мы смогли на его основе прогнозировать увольнения.

Предсказание увольнений

Порядка 30–40% работы нашего подразделения тратится на работу с HR-аналитикой штата наших клиентов. Понятно, что замещать очень производительных людей очень дорого. Ценные сотрудники не только дают очень хороший результат, но еще и их уход влечет большие неудобства и затраты. Есть ряд западных исследований, которые однозначно показывают, что стоимость замещения высококлассного специалиста в 10 раз выше, чем прямая стоимость привлечения нового сотрудника.

Было бы здорово, если бы мы могли мониторить и предвосхищать увольнение тех, кого компания не хочет потерять. Чем выше стоимость труда в компании, тем более актуален этот вопрос. Мы знаем, что в отдельных отраслях затраты на зарплаты могут составлять 15–20% от стоимости продукта, а в некоторых — до 90%. Получается, что в компаниях, где стоимость труда высокая, уход сотрудника влечет и прямые затраты (быстро найти замену и обучить нового сотрудника), и косвенные (например, время руководителя на обучение нового сотрудника).

Два главных вопроса, на которые хотят получить ответ руководители такой компании: кто из сотрудников с высокой вероятностью покинет компанию в ближайшее время и каковы факторы риска, которые объясняют уход людей? Чем ближе к дате увольнения, тем очевиднее те или иные признаки. Например, есть прямая корреляция между тем, что люди перестают посещать обязательные тренинги, и намерением уволиться. Когда вы узнаете о таких закономерностях, они кажутся очевидными, но пока цифры не подскажут их, то вы не догадаетесь о них. Например, существует корреляция между количеством рабочих смен, которые выпадают на выходные дни, и вероятностью увольнений. Если голубой воротничок (скажем, линейный персонал в рознице) выходит два уик-энда подряд, текучесть невысокая. Как только его смена выпадает на третий выходной подряд, вероятность увольнения сразу увеличивается по экспоненте. Зная это, можно системно принять меры, ограничив возможность назначить третью рабочую смену на уик-энд подряд.

Еще один фактор — удаленность сотрудника. Сегодня мы движемся в сторону экономики временного наемного труда: все глобальные тренды говорят о том, что скоро очень большой процент труда мы будем покупать у людей, которые не работают в штате компании. В связи с этим все сильнее ощущается проблема вовлеченности этих людей во внутренние процессы.

Мы не используем аналитику социальных сетей для того, чтобы предсказать увольнение. За полгода кропотливой аналитики данных мы построили модель, которая может вычислить 8 из 10 сотрудников, готовых уволиться в перспективе трех месяцев. То есть мы смогли спрогнозировать четкий регулярный процесс увольнений.

Второй фактор связан со стажем и выгоранием руководителя. Мы заметили, что при продолжительности работы руководителя в одной должности более семи лет резко увеличивается риск увольнений, что позволяет правильнее управлять преемственностью и формированием скамейки запасных руководителей.

Как компании бороться с увольнениями? Проводить диагностику экосистемы данных в организации. Обычно информация, накопленная кадровыми отделами компаний, не готова к использованию.

Проблемы с данными

На самом деле большинство необходимых данных в компании уже есть, другой вопрос — их качество. Кадровая информация должна содержать данные о должности, об уровне позиции в иерархии организации, о характеристиках, параметрах работы, уровне ответственности, о содержании и объеме обязанностей сотрудника. Также должны быть включены биометрические данные, информация о руководителе, карьерная история, совокупный доход, оклад, место в грейде (должностной иерархии) компании, история премирования людей, история продвижения, карьерный рост и оценка потенциала. И еще огромный массив других данных.

Мы закономерно встречаем одни и те же проблемы в различных организациях.

Первая трудность — не все данные хранятся в HR-системах. Они не собираются автоматически и фигурируют в каких-то отдельных экселевских файлах разного формата. Существуют системы для соблюдения норм кадрового делопроизводства и расчета зарплат, системы управления обучением, тренингами и оценкой компетенции, базы учета кандидатов (ATS, Applicant Tracking System), а также отдельно данные о будущих сотрудниках. Основной массив необходимых данных (примерно 2/3), к сожалению, не автоматизирован и собирается в Excel, что делает работу с ними очень сложной.

Вторая проблема — это единообразие данных. Поскольку нет четкой методологии, данные собираются по-разному. Тут играет роль и человеческий фактор (кому как удобнее).

И наконец, типичная трудность — это разрозненность HR-систем. Например, данные о кандидатах на этапе найма собираются в одной системе, а о кандидатах, которые перешли в статус сотрудника, — в другой. И между ними нет сквозного идентификатора, который позволил бы проанализировать данные об одном и том же человеке, когда он переходит эту границу.

Проактивные меры

Что делать с теми сотрудниками, которые, согласно результатам анализа, потенциально планируют уволиться? Это вопрос на миллион долларов. Действительно, многие компании экспериментируют с предиктивной аналитикой событий в кадровых вопросах, но переход от результатов исследований к конкретным действиям вызывает больше всего проблем.

Для каждой компании факторы удержания сотрудников и причины их увольнения могут быть совершенно разными, нельзя просто взять перечень факторов и применять их в каждом новом случае. Нельзя сопоставить даже компании одной отрасли — культура компаний очень плохо оцифровывается. Корреляции фактически не будет. И, самое главное, все мы очень зависим от наших руководителей. Поэтому очень много определяет прямая связь между начальником и подчиненными, что делает практически невозможным перенос практики из одной компании в другую.

Новости партнеров