Перевод статьи Monte Carlo Modeling for Workforce Planning

Статья с Линкедин, автор Christian Milbank, Manager, Workforce Data Science at CommonSpirit Health

Статья очень важная и нужная, но одно замечание: не уверен, что величина текучести персонала подчиняется закону нормального распределения в данном случае. 

Отслеживайте нас в телеграм канале HR-аналитики

Моделирование методом Монте-Карло для планирования рабочей силы 

Модели оттока — они в моде в наши дни в HR, и на то есть веские причины. Теперь, когда HR все больше зависит от данных, чрезвычайно важно иметь возможность количественно оценить риск увольнения наших сотрудников. Но что хорошего в этих моделях оттока, если их не использовать ощутимым образом? На мой взгляд, есть два способа, которыми мы можем продвинуть эти модели на один шаг вперед и повысить эффективность:

1. Выявив тех сотрудников с высоким уровнем риска, которых вы бы предпочли сохранить, а затем внедрив программы или меры, чтобы они не ушли.
2. Используя планирование рабочей силы, чтобы быть активным в решении будущих потребностей компании в найме.

Поскольку я полагаю, что пункту (1) уже уделяется достаточно внимания, моя цель — затронуть вопрос (2) в этой статье и помочь вам приступить к созданию собственных симуляций рабочей силы.

Практический пример: колл-центр с высокой текучестью кадров

Скажем, вы руководитель крупного колл-центра с 500 сотрудниками. В то время как сотрудники в целом счастливы и заняты, из-за характера работы наблюдается относительно высокая текучесть кадров (скажем, 25% в год). Расширенный расчет говорит нам, что в среднем мы теряем около 125 сотрудников в год (0,25 * 500). Но помните, что это среднее значение, поэтому в некоторые годы мы теряем намного меньше, а в некоторые годы — намного больше! Было бы здорово иметь реалистичную оценку возможного диапазона результатов, чтобы мы могли сотрудничать с нашей командой по подбору персонала и помогать им активно заполнять эти должности *до* того, как они станут вакантными.

Путешествие в Монте-Карло

К счастью, есть способ решить эту проблему, используя статистический метод, называемый имитационным моделированием Монте-Карло (также называемым стохастическим моделированием). Хотя это звучит фантастически, на самом деле метод чрезвычайно прост. По сути, все, что мы делаем, — это подбрасываем монету (в данном случае монету весом 25/75 вместо 50/50), чтобы определить, увольняется ли сотрудник №1. Затем мы повторяем процесс для сотрудника № 2. И сотрудник №3. Мы будем делать это до Сотрудника № 500. Затем подсчитываем количество окончаний. Я только что проделал это упражнение (не волнуйтесь, на самом деле я не подбрасывал 500 монет) и получил 122 окончания, что не так уж далеко от ожидаемых 125.

Итак, мы закончили с математикой? Извините, не совсем. Самое прекрасное в симуляциях Монте-Карло то, что современные высокоскоростные компьютеры (вроде того, что стоит у вас на столе или в кармане) являются их родственными душами. Быстрее, чем вы успеете сказать «больше математики, пожалуйста», мы можем запустить этот процесс не один раз, а тысячи или миллионы раз. На самом деле, мы можем начать строить гистограмму, которая показывает наш диапазон результатов, когда мы повторяем этот процесс снова и снова.

Сначала мы запустим 5 симуляций и поместим данные в (довольно грустную) гистограмму. Если вы посмотрите ниже, вы увидите наш первый сценарий «122» в середине экрана.

Теперь мы проведем 25 симуляций. Мы видим, что данные обычно начинают кластер в диапазоне 115-135.

Давайте попробуем 100. Хм, все еще немного грязно, но прогресс есть.

1000 симуляций должны начать выглядеть лучше, верно? Конечно же, это начинает походить на кривую нормального распределения!

10 000

И миллион 

Почти идеальная кривая нормального распределения. Это не должно удивлять тех, кто помнит Центральную предельную теорему (также известную как Закон больших чисел) из своего класса Stats 101. Также отмечу, что мне понадобилось всего полторы минуты, чтобы запустить эти миллионы симуляций на своем ноутбуке!

Отлично, но что это значит для нашего колл-центра?

Мир (и рабочая сила) нестабилен. Мы до сих пор не знаем, потеряем ли мы в следующем году 95 сотрудников или 155. Но, как показывают наши симуляции, мы можем быть абсолютно уверены, что оно будет где-то между этими двумя числами (при условии, что наша модель убыли построена правильно).

Чтобы быть консервативным, давайте предположим, что по крайней мере 100 сотрудников уволятся в течение следующего года. Фактически, только в 3264 из 1 миллиона симуляций (0,3%) у нас было менее 100 завершений. Вооружившись этими данными, вы можете затем обратиться к своему рекрутеру с рекомендацией, чтобы он активно открывал 8 заявок в месяц, поскольку мы достаточно уверены, что этот спрос будет существовать. Поздравляю, у тебя только что появился новый лучший друг!

Заключение

Я надеюсь, что эта статья была интересной и познавательной в отношении того, как можно использовать имитационное моделирование с точки зрения рабочей силы/HR. Код R для этого проекта находится на моей странице Github по следующей ссылке: https://github.com/cmilbank/WorkforceSimulations.