.

Сделать репост в соц сети!

среда, 4 сентября 2019 г.

Прогноз рисков текучести работника на основе его эффективности



Задача достаточно простая и очевидная. Очевидно в том смысле, что те, кто хуже работают, уходят быстрее (или их уходят).
Математически эта задача выглядит так.

KPI 2016
KPI 2017
KPI 2018
KPI 2019
Иванов
0.9
1
1.1
1.1
Петров
1
1.1
1.2
1.3
Сидоров
1.1
1
0.9
0.85

Вопрос: кто из указанных здесь сотрудников уволится быстрее? И вообще, зависит ли скорость увольнения от того, как оценивается эффективность работника?
Если у вас есть такие данные в своей компании, присылайте, готов посмотреть. Только к указанным переменным надо добавить дату приема работника и дату увольнения (если работник не уволился, поле даты увольнения остается пустым).
Но у меня есть набор данных, и я хочу поделиться результатами.
ВАЖНО: можно настроить аналитику в другую сторону: вместо увольнения заложить карьерный рост и показывать "созревание" работников на повышение.

Эффективность


Прогноз рисков текучести работника на основе его эффективности



  • По оси X - стаж работника в месяцах$
  • Ось Y - эффективность (думаю, не нужно объяснять, что значат цифры)
  • Синяя линия - усредненная линия эффективности. 
  • Заметно, что на "плато" эффективности работники выходят примерно через 2,5 года. Забавно, что через 7 лет эффективность опять начинает расти. А совсем не падает. 

Мне думается, что срок выхода на "плато" эффективности можно скорректировать, если понять, что эту линию тянет вниз.
Коэффициент корреляции Спирмена между стажем и эффективностью 0.2445141

Текучесть


Прогноз рисков текучести работника на основе его эффективности

Диаграмма дожития работников в указанной компании. Средний срок жизни в компании 40, 24 месяца или примерно 3, 33 года.

Прогноз индивидуальных рисков увольнения

Вот в этом месте мне особенно нечего сказать содержательно.

Прогноз рисков текучести работника на основе его эффективности

Вот так могла бы выглядеть картина рисков увольнения на вашем дашборде.
Иванов и Петров - вымышленные фамилии, но данные на работников реальные.

  • Иванов в компании отработал на данные момент 35, 67 месяцев (обратите внимание, желтая линия как раз упирается в примерно три года), продолжает работать, его годовые оценки эффективности: 0, 98, 0, 96, 1, 05.
  • Петров в компании отработал ровно год и уволился. Его годовая оценка эффективности 0, 49
  • Медиану стажа машина для Петрова отметила в 5.420945 месяца, почти в полгода. Но Петров отработал год до увольнения, в момент увольнения его риск увольнения составлял примерно 0, 7 ( Мы от единицы отнимаем 0, 3 - на диаграмме кончик синей линии упирается в 0, 3. 0, 7 означает 70 % за то, что он уволится). 
  • А у Иванова накопленный риск увольнения составляет примерно 25 %. При его темпах критичная зона (50 % вероятность увольнения) наступит примерно еще только через три года работы. 

Параметры модели 

Показатель точности модели - конкорданс - 0, 58 (это только если на показателях эффективности, если добавить позицию, отдел, возраст, то точность возрастает до 0, 8). Для тех, кто не понимает: 0, 5 - модель случайна, т.е. не имеет смысла, 1, 0 - точность попадания 100 %. Правда, данные не полные, по части работников есть вопросы, части данных по эффективности нет. Но это обычный спутник создания моделей.
 Увеличение эффективности на 0, 1 пункта снижает риски текучести примерно на 12 %
В качестве результата можно было бы построить дашборд, на котором руководители могли бы прогнозировать риски увольнения работников: у них есть диаграмма накопленных рисков на сегодня, руководитель может смотреть, что будет с рисками увольнения работника, если он поставит работнику такую-то оценку...



Комментариев нет:

Отправка комментария