Прогнозная аналитика в HR: предсказываем текучесть до того, как она случится

Модель не знает, кто точно напишет заявление через три месяца. Она оценивает риск на основании ситуаций, которые уже встречались в компании. Например, риск 72% означает, что ситуация сотрудника похожа на ситуации людей, которые увольнялись в выбранный период. Это повод внимательнее посмотреть на обстоятельства, а не основание для кадрового решения.

Прогноз имеет ценность только тогда, когда помогает принять решение до наступления события. Поэтому ещё до работы с данными нужно понять, что компания будет делать с полученным сигналом.

К увольнению могут привести разные обстоятельства: добровольный уход, сокращение, окончание договора, перевод между юридическими лицами или непрохождение испытательного срока. Если объединить их, модель будет искать общие причины у событий с разной природой.

Задачу лучше формулировать точно. Например: «Добровольное увольнение сотрудника, проработавшего более трёх месяцев, в течение следующих шести месяцев». Так понятно, какое событие нас интересует, о каких сотрудниках идёт речь и насколько далеко вперёд мы смотрим.

Возможно, компании не нужно снижать всю текучесть. Важнее предупредить уход специалистов, которых сложно заменить, или найти подразделения, где увольнения приводят к простою, перегрузке команды и потере клиентов.

Это основной этап, хотя именно его чаще всего хочется пропустить. Наличие HRM-системы, опросов и дашбордов ещё не означает, что данные готовы для прогноза.

Перед построением модели проверьте:

одинаково ли подразделения фиксируют причины увольнений и другие данные по сотрудникам;

• можно ли связать данные из кадровой системы, опросов, обучения и оценки;
• сохраняется ли история изменений;
• хранятся ли одинаковые события в едином формате и по понятным категориям;
• проводились ли опросы по сопоставимой методике;
• достаточно ли накоплено данных для анализа.

Качественно собрать сведения недостаточно — их нужно правильно хранить. Например, одна и та же причина ухода не должна записываться как «зарплата», «низкая зарплата» и «не устроил доход». Для человека смысл понятен, а для модели это три разные причины. Нужны единые названия, категории и правила заполнения. Иначе даже релевантные данные нельзя будет связать и сравнить.

Нужно проверить и качество опросов. С этим может помочь специалист по психометрике: он оценит, измеряют ли вопросы именно вовлечённость, согласуются ли ответы между собой и одинаково ли сотрудники понимают формулировки вопросов. Также важно убедиться, что между замерами не менялись вопросы, шкала оценки или способ проведения опроса — иначе результаты разных периодов могут быть несопоставимы. Модель не исправит эти проблемы, а лишь воспроизведёт исходные ошибки: она не может быть надёжнее данных, на которых построена.

Модели нужны сведения, которые были известны до предполагаемого увольнения. На этом этапе мы только формулируем гипотезы о возможных факторах текучести. Например, предполагаем, что риск ухода может быть связан со стажем в компании и роли, временем с последнего повышения, изменениями зарплаты, внутренними переходами, сменой руководителя, динамикой вовлечённости, нагрузкой или обучением. Какие из этих показателей действительно связаны с увольнениями и насколько сильна эта связь, покажет модель.

Модель может построить HR-аналитик: он готовит базу, выбирает метод расчёта, проверяет результат и учитывает бизнес-контекст. Для первой версии подойдёт логистическая регрессия. Несмотря на название, её задача проста: по предоставленным данным она оценивает вероятность одного из двух событий — в нашем случае сотрудник уволится или останется.

У такой модели есть ещё одно преимущество: она показывает, какие факторы связаны с текучестью, в какую сторону они действуют и насколько сильна связь. Например, в одной компании риск может сильнее всего расти после длительного отсутствия карьерных изменений, а в другой — из-за нагрузки или качества управления. Различия бывают даже между командами внутри одной компании. Поэтому нельзя просто взять чужой список причин: модель должна учитывать собственные данные и контекст. Она не доказывает причину автоматически, но помогает понять, что проверить в первую очередь.

Но понятное объяснение факторов ещё не означает, что модель хорошо предсказывает увольнения. Поэтому следующий этап — проверить, действительно ли она находит сотрудников с повышенным риском ухода. Представим, что из 100 сотрудников за год увольняются 10. Модель может отнести всех 100 человек к тем, кто останется, и формально оказаться права в 90 случаях. Но при этом она не обнаружит ни одного сотрудника, который действительно уволится. Для бизнеса такой прогноз бесполезен.

При проверке нужно ответить на несколько вопросов:

• какую долю фактических увольнений обнаруживает модель;
• сколько сигналов оказываются ложными;
• действительно ли в группе высокого риска увольняются чаще;
• сохраняется ли качество на новом периоде;
• одинаково ли модель работает для разных групп персонала.

Одинаковая вероятность увольнения не означает одинаковые последствия. Одну позицию компания закроет за две недели, уход с другой может остановить проект на несколько месяцев.

Для приоритизации можно использовать формулу:

Ожидаемый финансовый риск = вероятность ухода × стоимость потери сотрудника.

В стоимость потери могут входить подбор и адаптация сотрудника на замену, время незакрытой позиции, снижение производительности команды, потеря экспертизы или клиентов. Так результаты прогноза превращаются не просто в список сотрудников с высоким риском ухода, а в понятную карту приоритетов: где вероятность высока, потери существенны и компания действительно может повлиять на ситуацию.

Здесь полезны не только индивидуальные прогнозы, но и сила факторов. Она помогает найти более короткий путь к снижению текучести. Если главный риск связан с качеством управления в нескольких командах, системная работа с руководителями может дать больший эффект, чем отдельные предложения сотрудникам. Если сильнее всего влияет отсутствие развития, приоритетом станут карьерные маршруты и внутренние переходы. Иногда разумнее не вмешиваться: стоимость удержания может быть выше ожидаемой потери.

То, что сотрудник остался, ещё не доказывает эффективность меры: возможно, он и не собирался увольняться. Поэтому результат нужно сравнивать с похожей группой сотрудников, в которой специальные меры не применяли.

Со временем модель нужно проверять заново: рынок труда, структура компании и поведение сотрудников меняются.

Представим компанию, в которой работают 1000 человек. За год из неё добровольно уволились 180. Руководство хочет снизить критичную текучесть, но ресурсов на индивидуальную работу со всеми сотрудниками нет.

Команда формулирует задачу: прогнозировать добровольный уход в следующие шесть месяцев. Затем объединяет историю кадровых событий, оплаты, переходов, смен руководителя и опросов.

Проверка обнаруживает, что часть причин увольнений хранится под разными названиями, а результаты опросов нельзя сравнивать после изменения шкалы. Компания вводит единые категории и не смешивает разные шкалы.

После этого построенная модель определяет 40 сотрудников с повышенным риском увольнения, из них 12 занимают критичные позиции. Допустим, средняя вероятность ухода в этой группе равна 65%, а средняя стоимость потери сотрудника — 1,2 млн рублей. Тогда ожидаемый финансовый риск составит:

12 × 0,65 × 1,2 млн рублей = 9,36 млн рублей.

HR анализирует причины и выбирает разные меры: карьерные маршруты, перераспределение нагрузки или работу с руководителями. Если программа снизит ожидаемый риск на 20%, предотвращённые потери составят около 1,87 млн рублей. Значит, это максимальный бюджет программы, при котором компания ещё не уходит в минус, — в среднем около 156 тыс. рублей на каждого из 12 сотрудников. На практике бюджет должен быть ниже, чтобы получить положительный эффект. Например, при затратах 1,5 млн рублей расчётный эффект составит примерно 370 тыс. рублей.

Все цифры условны. Реальный эффект можно определить только после сравнения с похожей группой сотрудников.

Прогнозная аналитика помогает работать с текучестью до того, как она появится в отчёте. Но её качество определяется задолго до выбора алгоритма. Проект лучше начать с подготовки данных, если:

нет единого определения текучести;

• кадровая история неполна;
• одинаковые сведения хранятся в разных форматах и категориях;
• источники невозможно связать;
• для анализа накоплено слишком мало данных;
• HR не знает, что будет делать с полученным результатом прогноза.

В этом случае первым результатом должна стать не модель, а единые правила сбора данных и понятный процесс принятия решений.

Та же логика работает не только с текучестью. По похожему принципу можно прогнозировать эффективность адаптации, вероятность прохождения испытательного срока или будущую продуктивность сотрудников. Но для каждой задачи нужно заново определить результат, подобрать показатели и проверить модель на данных конкретной компании.

Важно не просто получить прогноз, а использовать его для принятия решений: понять, где компания может изменить ситуацию, выбрать подходящие меры и оценить их результат.