Прогноз уровня добровольной текучести в компании

Эта статья в развитие темы Хватит предсказывать увольнение работника. Если в той статье я говорю о том, что не имеет смысла прогнозировать увольнение конкретного работника, в этой я хочу показать пример того, чем, на мой взгляд, имеет смысл заниматься.
Также этот пост можно воспринимать как коммерческое предложение.
На диаграмме ниже - количество уволившихся по собственному желанию в разрезе по месяцам.

Мы можем прогнозировать это число. И показать на вашем дашборде.
Это может быть полезно для планирования нагрузки рекрутеров. А также для понимания факторов, которые влияют на нашу текучесть. Если мы фиксируем текущую текучесть, то можем показать прогнозную текучесть.
Не удивляйтесь тому, что на диаграмме 2013-2017 годы - других данных у меня нет.

Как мы прогнозируем

Если посмотреть разброс текучести по месяцам, то он за эти годы дает такую картину.

Заметно различие числа увольняющихся в разрезе по месяцам. Чемпионы оттока - сентябрь и июль. Но нам это приятно, потому что на основе этой информации мы можем прогнозировать будущую текучесть.

Найм

Поскольку мы прогнозируем не просто % текучести, а число уволившихся, то очевидно, что размер найма также должен влиять на будущий отток. Т.е.
Для любителей покопаться в основаниях сообщаю инфо: самое сильное влияние на будущий отток оказывает найм с лагом 2 месяца. Т.е. на отток в сентябре влияет размер найма в июле. Понятно, что это не общий закон, это данные конкретно взятой компании, у вас могут быть свои законы, тем не менее, было бы интересно понять, какой механизм в основе этого влияния. Но явно не потому, что через два месяца новички побежали.

Другие факторы

у меня в наличии были только эти факторы, но ничто нам не мешает включить любые другие переменные, включая внешнеэкономические типа % безработицы в России и так далее.

Качество модели

Если вы будете делать у себя прогноз уровня добровольной текучести, то вы должны отдавать отчет в том, что прогноз не может быть идеальным, и вы должны уметь оценивать качество прогноза - не аналитики, а вы сами. Чтобы аналитики вас не смогли обмануть.
Проверка такая: вы создаете модель, отрезав несколько последних месяцев, в моем случае я отрезал четыре последних месяца. Потом делал прогноз на них. На диаграмме красная линия - это прогноз. Обратите внимание, что хуже всего прогноз у нас по августу 2017 года. Это нихт гут, но в оправдание модели предлагаю посмотреть прошлые периоды - после роста текучести в июле следует падение текучести в августе, поэтому можно сказать, что в августе оказал влияние какой-то неучтенный фактор. Я выше писал о том, что такие модели позволяют понимать внутренние процессы в компании. Это как раз такой случай, когда что-то идет в другой логике, а для нас это повод для понимания и рефлексии, что происходит.
На диаграмме заметно, что на фоне разброса текучести за весь период красная линия вроде бы не так сильно отстает от реальных данных, но нам нужно не вроде бы, а четкий ответ: можем ли мы сказать, что наш прогноз выше плинтуса.
Методика такова.

1. Мы должны посчитать сумму или среднее значение абсолютных значений отклонений прогнозных значений от реальных (400 и 390, 445 и 363, 385 и 386, 386 и 365). Пусть это будет некое число X;
2. Далее мы считаем сумму или среднее разницы абсолютных значений между значением текучести текущего месяца с текучестью предыдущего (400 и 351, 445 и 400 и так далее). Это и есть наш "плинтус". Т.е. самый простой элементарный прогноз это когда мы предполагаем, что в следующем месяце у нас уйдет столько же, сколько в этом. Пусть это будет число Y;
3. Это такой наивный подход, но он позволяет оценить качество модели. Если у нас первое число - X - будет больше, чем Y - т.е. если разброс между реальными и прогнозными значениями будет больше, чем разница между текущим и предыдущим значением, то какой прок в этой модели? 
4. В нашем случае число X или среднее значение отклонения прогноза от факта составляет 28, 25 (т.е. мы в среднем ошибаемся на такое число увольняющихся),  а число Y - средняя разница между числом увольнением текущего и прошлого месяца - 38, 75 - мы делаем вывод, что наша модель выше плинтуса и применима на практике. 

Предостережение

Если вы закажете у меня создание такой модели и визуализации ее на дашборде, то сразу давайте договоримся:

1. горизонт прогноза не должен превышать 3 месяца, дальше вероятная ошибка / разброс значений будет уже неприличным;
2. данных должно быть не менее чем за 5 лет;
3. каждый месяц надо будет пересчитывать прогноз - этому можно научить.

Пишите edvb@yandex.ru
Посмотрите также вот на такую модель - ее тоже можно реализовать Power BI: дашборд "Скорость / время / сроки закрытия вакансий"

Хватит предсказывать увольнение работника

Толчком для поста явились обсуждения на конференции ХХ.ру HR digital (за что спасибо организаторам и моих собеседникам, даже если мы говорили о погоде), хотя идея вызрела давно.

Проблема

В России сложилась мода / практика создания моделей оттока работающих сотрудников. Логика создания такой модели проста. Берется горизонт данных – 3, 6, 9 месяцев. В этом горизонте фиксируют, уволился ли работник (1 в датасете) или продолжает работать (0 в данных). Это наша целевая переменная. Далее собирают данные о работнике в периоде, который предшествовал горизонту:

1. Стаж на данные момент
2. Пол / возраст / семейное положение;
3. Данные психотестов, опросов вовлеченности (которые как бы анонимные) и т.п..;
4. Данные по компании, отделу, позиции, руководителю и окружению работника;
5. Уровень зарплаты / в том числе в Z баллах по отношению к коллегам;
6. Частота общения в почте / корпоративных мессенджерах / по телефону и динамика;
7. Ну и т.п…

И на основе этих данных пытаются прогнозировать, уволится ли работник или нет. Например, стал в корпоративном чатике писать комментов - все, жди увольнения.
Я считаю, что практика создания таких моделей порочна, от нее пора отказаться.
Мне кажется, к этому выводу уже пришли некоторые российские HR-аналитики (хотя не признались в этом открыто, ибо это может быть признано как поражение и / или некомпетентность аналитика), а также западные, например, Андрю Марритт, который писал, что не в точности модели дело.
Я не вижу ничего плохого в том, что мы перестанем тратить наши усилия на бессмысленные занятия. Это не проигрыш и не признание некомпетентности, а обычный эволюционный процесс - мы просто признаем, что исчерпали свои возможности на данном направлении.
Со мной можно спорить, но количество кейсов, когда модели на тестовых данных показывают точность а ля 0, 86, а потом на «живых» людях точность падает вдруг резко, уже достигло критической массы.

Почему пора отказаться

Неполнота модели. 

Мы в модели собираем данные только о поведении работника, но ничего о его действиях по поиску работы. Вместе с тем, например, тот факт, что он обновил резюме на Линкедине, нам может давать очень малую точность в прогнозе. Да, обновил, да ищет работу. И что? Срок поиска работы может составлять несколько месяцев и даже больше года (см, например Калькулятор Времени поиска работы ). Как мы учтем в модели способности работника по поиску работы? Как мы учтем (и вообще учитывает ли кто-нибудь?) ситуацию на рынке труда? Работник собрался уволиться, но не может найти работу, что он будет делать? Согласитесь, что работник, скорее всего, будет терпеть в этой ситуации до конца. Будет сидеть и ждать оферра. Резюме ситуации: на решение работника влияют факторы, которые мы не можем учесть в модели.

Невозможность действия в ситуации увольнении. 

Но допустим, мы построили неплохую модель. И в нашей модели одни из самых важных факторов прогноза это 1) частота общения в почте и 2) низкие KPI и / или зарплата в первом квартиле, т.е. ниже коллег по отделу / департаменту (см, например, Прогноз рисков текучести работника на основе его эффективности  . Что с этим делать? Именно на уровне action – т.е. мы провели диагностику, надо это в действие превращать. А превращать то особо нечего. Мы можем только предупредить руководителя для того, чтобы тот … например, провел беседу и дал работнику обратную связь или принял решение.

Два возможных решения

Отказ 

Вообще отказаться от этого типа моделей и сконцентрировать усилия на других направлениях. Например, пробовать отсекать на входе в компанию кандидатов с высокими рисками ухода. Там есть свои проблемы, но мы еще этот путь не исчерпали, не прошли до конца. Или другой вариант: выявление управляемых факторов текучести персонала и пытаться управлять ими. Как метафора этого подхода: мы выявили, что алкоголь и курение влияют на продолжительность срока жизни, наша задача сократить употребление алкоголя и курения. В этом подходе мы не можем прогнозировать индивидуальный уход работник из компании, но в целом ситуация в компании будет более благоприятной. Этот подход кажется мне очень перспективным, но сложно реализуемым: когда мы создаем модель оттока, что чувствуем себя крутыми волшебниками, а когда мы выяснили, что рефералы работают в компании в среднем в 1, 4 раза дольше, чем те, кто пришел с джоб сайта, то решение вроде бы на поверхности – надо увеличивать трафик кандидатов рефералов. Но у меня уже были прецеденты, когда мне говорили: да, у нас 14 % закрывается рефералами, а увеличить мы не можем, потому что…. Т.е. по сути менеджмент не готов на уровне культуры компании, на уровне системы менеджмента работать с текучестью (ну поскольку реферальный рекрутинг это же другая организация бизнес процессов и культуры компании). Либо еще более сложный вариант, когда мы фиксируем какие-то случаи увольнения как «брак» системы подбора / адаптации и т.д… (по аналогии с браком деталей) и концентрируем усилия по предупреждению брака)

Трансформация

Второй вариант – трансформировать модели оттока в другие типы моделей. Этот вариант я еще не продумал до конца, но наиболее очевидное решение – трансформация в модели выгорания. Т.е. по сути, если сотрудник снизил частоту общения в почте и мессенджерах, то это показатель не только и не столько того, что он скоро уволится, сколько того, что его производительность / эффективность (и просто желание работать) пошли на спад. И этот факт сам по себе риск для компании, а не только увольнение. Поэтому работать нужно со снижением эффективности, а не увольнением, и увольнение может быть одним из выходов из ситуации.
Ну вот как-то так. Я не иду глубже, чтобы не превращать в лонг лонг рид. Хотелось бы пригласить вас к обсуждению этой статьи.

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

• 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

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.

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...

Прогноз индивидуальных рисков ухода из компании: разница в подходах

Готовлюсь к семинару HR-аналитика в R, планирую вставить блок прогноза индивидуальных рисков увольнения.
В чем смысл блока для бизнеса: мы собираем на входе информацию о кандидатах и на основе этой информации прогнозируем риск увольнения кандидата. Чем выше риск, тем выше вероятность, что мы его не возьмем на работу.
На первом семинаре "HR-Аналитика в R", Москва, 20-21 июня 2017 я давал регрессию Кокса, но без тренировки гиперпараметров, поэтому я дал по сути подход к выявлению драйверов текучести, исходя из схемы анализа текучестью, которую я предложил в посте Подходы к анализу, прогнозу и управлению текучести персонала.
Я решил посмотреть разные варианты прогноза индивидуальных рисков. Я создал три разные модели, создал троих тестовых чуваков и получил прогнозы по ним на трех разных моделях.

Вариант 1. Регрессия Кокса без тренировки гиперпараметров

Самый простой вариант
coxph(Surv(stag, event) ~ . , data = data)
Т.е. гиперпараметры по дефолту.
Индивидуальные прогнозы по трем нашим героям получились такие

Для тех, кто совсем в танке: по оси X - стаж работы в компании, по оси Y - вероятность дожития до этого момента.
Значение 0, 5 по оси Y - 50 % вероятность дожития
Итого, медианы дожития для кандидатов такие:

1. Иванов - 95 месяцев (я пишу приблизительно);
2. Петров - 50 месяцев;
3. Сидоров - 24 или 2 года.

Метрика качества модели конкорданс 0, 61.

Вариант 2. Регрессия Кокса с тренировкой параметров 

Подходы к анализу, прогнозу и управлению текучести персонала

Этот пост рефлексия работы в сфере текучести персонала. Не дают покоя лавры Ричарда Розенбоу Анализ текучести персонала – Описательные методы. Я вижу перспективными три подхода в анализе и прогнозе текучести персонала:

1. Средний срок жизни;
2. Индивидуальный прогноз;
3. Прогноз % текучести будущих периодов.

Названия рабочие, надеюсь на поддержку аналитиков в дополнении

Средний срок жизни

Анализ и управлению текучестью персонала в этом подходе идентично соответствует управлению продолжительностью жизни в государстве.
Метрика качества управления продолжительностью жизнью - средний срок жизни. Это очевидный, физически совершенно понятный показатель: в России по итогам первого полугодия 2017 года составила 72,4 года.
И логика управления продолжительностью жизни человека интуитивна понятна и очевидна: мы выявляем факторы, влияющие на продолжительность жизни и снижаем / увеличиваем их размер. Например, снижение потребления алкоголя (или снижение выбросов промышленных предприятий в атмосферу, или увеличение затрат на медицину, или увеличение потребления качественных продуктов, или увеличение числа часов занятий в спортзале) повысит среднюю продолжительность жизни в стране.
Обратите внимание, мы не можем прогнозировать индивидуальный срок жизни человека, но мы говорим о среднем сроке жизни по стране.
Идентичный процесс происходит в HR в управлении текучестью персоналом. Мы выявляем, например, что кандидаты, пришедшие в компанию по рекомендациям работников "живут" в компании дольше (см, например Как правильно выбирать HR-метрики, но обратите внимание, это работает не всегда, вот обратный пример Кейс по выявлению драйверов текучести персонала в разрезе филиалов- поэтому считайте свою аналитику. Если выяснится, что ваши рефералы работют не дольше остальных, это уже хороший повод задуматься, что вы делаете не так). Следовательно, мы вправе ожидать, что если реферальная программа будет закрывать не нынешние 13 % трафика кандидатов, а 30 %, то средний срок жизни работников в компании увеличится.
Таким образом, анализ текучести персонала сводится к выявлению драйверов / факторов, влияющих на текучесть персонала, а управление текучестью сводится к максимизации позитивных проявлений фактора. Например, увеличению доли рефералов в общем трафике кандидатов.
В данном подходе вполне работают как алгоритмы классификации, так и алгоритмы дожития. И точность прогноза нас не должна сильно волновать: важно, что фактор действительно значимо влияет на текучесть, и мы не тратим ресурсы впустую, работая с данным фактором.

Диаграмма 1. Общая "температура по больнице" - средний срок жизни к компании.

Как "серая" зарплата влияет на текучесть персонала

Приятный результат нашего опроса Ключевые факторы удержания и текучести персонала: "серая зарплата" увеличивает текучесть персонала.

Для неумеющих читать такой тип диаграммы - Анализ и визуализация дожития: чем HR похож на медиков.

• По оси X - число месяцев стажа
• По оси Y - % оставшихся в компании.

Всего в исследовании на 31октября 2015 года приняло участие 551 специалист с "белой" заплатой и 331 - с "серой". Кстати, меня удивляет высокая доля "серых" зарплат
Заметно, что в первые три месяца различие практически не значимо, но далее различия растут.
p value - 0.00381 ** - неплохой, надеюсь, что фактор зарплаты является самоценным, а не опосредует другое. Навскидку вроде бы ничего за ним не стоит.
На диаграмме линии идут рядышком, и может показаться, что не так уж сильно различие, но вот посмотрите на точку в 12 месяцев.
Переводя диаграмму на более привычный нам язык "текучки" мы говорим, что среди специалистов с "белой" зарплатой текучесть персонала 20 % в первый год их работы, а среди специалистов с "серой" зарплатой - 30 %.
А тут уж стоит самим решать, много это или мало.
Если говорить математическим языком, то при "серой" схеме заработной платы риск увольнения работника возрастает на 25 %.
И давайте поучаствуем в опросе Ключевые факторы удержания и текучести персонала

Ложные корреляции: очищение эффекта (на примере текучести персонала)

Не любителям теории рекомендую пропустить вводную часть, перейти сразу вниз к кейсу.

"Фанаты" моих исследований полюбили новый "контраргумент" результатов моих исследований - "ложные корреляции". Пишу "контраргумент" в кавычках, поскольку те, кто используют его, не понимают сути ложности корреляции. Чаще всего их понимание сводится к тому, что корреляции можно найти всегда, если постараться: между размеров обуви мужчин племени Папуа и количеством опечаток в журнале "Наука и Жизнь" на 1963 год.

Мне даже не хочется останавливаться на такой ерунде, я обозначу то, что меня интересует в ложных корреляциях.

Часто происходит так, что мы выявили связь между факторами X и Y, но эта связь обусловлена неким третьим фактором G, который находится в причинно следственных отношениях с Y. Мы при этом принимаем X за "чистую" монету и получаем некорректную модель.

А именно: ложная корреляция не позволяет нам прогнозировать / принимать правильные управленческие решения. 

В регрессионных моделях преодолеть эту проблему позволяет кросс валидация, но в более простых кейсах я бы предложил включать голову.

В моих исследованиях уже были такие примеры. 

1. Связь между социальной сетью, в которой кандидат проявляет активность, и текучестью персонала (см. Как социальные сети можно использовать в аналитике для рекрутеров). Связь эта опосредована возрастом. А возраст нам не позволяет прогнозировать стаж работы в компании
2. Связь домена электронной почты и текучести персонала. Анализ влияния домена личной почты сотрудника на текучесть персонала. По той же самой причине: gmail пользуются более молодые люди. Но они, молодые люди, не более склонны к увольнению, просто они еще не успели наработать столько, сколько немолодые. 
3. Вчера я выяснил, что ложной корреляцией является корреляция между стажем и тем, как человек добирается на работу: на машине или общественном транспорте - эта связь тоже опосредована возрастом. 
4. В Кейсе по оценке эффективности очного и дистанционного обучения мы выявили значимость различий результатов теста очников и дистанционников, но это не позволяет говорить нам, что очное обучение эффективнее дистанционного, поскольку мы не учли влияние других факторов: например, того, что очники изначально были более подготовлены.

Сегодня покажу, как я "очищал" эффект влияния отрасли на текучесть HR специалистов

Анализ эффективности каналов привлечения (источников трафика) кандидатов

Еще один из результатов нашего исследования факторов текучести персонала (активно участвуем).
Сегодня покажу взаимосвязь между текучестью персонала и каналом привлечения (источником трафика) кандидатов.
Обращаю ваше внимание, что вы можете сделать аналогичный анализ у себя в компании, достаточно иметь следующую информацию:

1. Дата приема на работу
2. Дата увольнения ("живых" тоже используем в анализе, дата увольнения будет пустой)
3. Причина увольнения (а именно: по чьей инициативе произошло увольнение, работодателя или работника - и нас, конечно, последнее интересует)
4. Каналы привлечения кандидатов (у вас свои каналы, я показываю свои - то, как обозначал). 

Внимательные читатели моего блога помнят, что я уже делал подобное (Влияние каналов привлечения (источников трафика) кандидатов на текучесть персонала), сегодня показываю другой инструмент. В прошлый раз я использовал знакомый всем Манн Уитни, сегодня использую более корректный, точнее, более корректные инструменты анализа дожития: Log Rank Кокса и Bresow или обобщенный Вилкоксона. Обращаю ваше внимание, что данный показатель можно использовать не только по уволенным сотрудникам, но учитывать "живых", еще работающих сотрудников в анализе, что повышает качество анализа как минимум за счет большего числа наблюдений. Участники моего семинара Аналитика для HR должны помнить критерий Вилкоксона. По методологии пост идентичен посту Бенчмаркинг: текучесть HR специалистов по отраслям
Также обращаю ваше внимание, что такой анализ можно проводить в отношении любых признаков:

• М/Ж
• женат / не женат
• Высшее образование / не высшее
• Блондины / брюнеты
• Есть собака / есть кошка

Описание задачи

Одна переменная - стаж работы. Другая - источник трафика или канал привлечения: как кандидат узнал о вакансии. Я беру следующие источники:

1. Знакомые - в результатах анализа обозначены как friend
2. Джоб сайты - js
3. Работодатель сам вышел на Вас - emp
4. Кадровое агентство - KA

Результат анализа

Бенчмаркинг: текучесть HR специалистов по отраслям

Пост в продолжение серии постов Управление текучестью персонала. Хочу показать еще один шаблон анализа текучести. Данные взяты из исследования Ключевые факторы удержания и текучести персонала (вы уже поучаствовали? опрос активен до сих пор).
Мы анализируем стаж специалистов по отраслям. Вы же можете использовать этот шаблон для анализа текучести у себя в компании по любому параметру: семейное положение, подразделение, позиция, уровень образования и т.п....
Я писал ранее, что базовый показатель текучести персонала - медиана (см. Управление текучестью персонала на основе данных - базовый показатель текучести персонала). Сегодня добавим еще квартили.

Описание задачи

Итак, в опросе поучаствовало:

1. 49 HR из банков,
2. 44 HR с производства,
3. 39 HR из IT отрасли.

Задача состоит в проверке гипотезы, есть ли разница в текучести HR по отраслям. Или по другому: влияет ли отрасль на текучесть HR.
*Вы хотите сказать, что мало участников? Согласен! Тогда помогите привлечь аудиторию к исследованию

Управление текучестью персонала на основе данных (коммерческое предложение)

Содержание

1. Кому адресовано
2. Продукты услуги
3. Технология
4. Сроки реализации
5. Контакты
6. Что почитать по теме

Управление текучестью персонала на основе данных - базовый показатель текучести персонала

Пост в продолжение и развитие темы Управление текучестью персонала.
См. предыдущий пост Управление текучестью персонала на основе данных (кейс- задача для самостоятельной работы). На этот пост я получил решения от четырех специалистов, двое уже, видимо, отвалились, с двумя продолжаем работать.
Сегодня пост про базовый показатель текучести персонала. Базовым показателем текучести персонала является медиана стажа "живых" работников.

Специально делаю акцент на "живых", поскольку в прошлом посте мы разбирали распределение уволившихся сотрудников по собственной инициативе. Никакого противоречия здесь нет, в анализе участвуют обе группы: "живые" и те, кто уволился по своей инициативе. В последующих постах я покажу, как участвуют представители обеих выборок в анализе, а пока просто хочу обратить ваше внимание, что мы работаем с двумя выборками.

Медиана - базовый, главный, основной показатель текучести персонала. Не коэффициент текучести персонала, не коэффициент стабильности персонала, а медиана. Коэффициент стабильности и коэффициент текучести являются производными от медианы, но они не просто про другое, главное преимущество медианы - этот показатель является робастным, более надежным для измерения, чем коэффициент текучести персонала. Медиана менее подвержена случайным воздействиям и более чувствительна к изменениям во времени (т.е. чтобы понять значимость изменений текучести персонала, медиане нужно меньше времени, чем коэффициенту текучести персонала).

Управление текучестью персонала на основе данных (кейс- задача для самостоятельной работы)

Управление текучестью персоналом осуществляется на основе мониторинга определенных показателей, выявления факторов, влияющих на показатели текучести, и влияния на эти факторы.
Обычно в компаниях главный показатель текучести персонала - коэффициент текучести кадров - % уволившихся за определенный период.
Я хочу показать, что % текучести не самый надежный показатель, что есть более точная и надежная технология управления текучестью персонала.
Этот кейс - практическое задание и является первым шагом в управлении текучестью персоналом.
Если кто - либо сделает этот кейс, я готов продолжить серию постов по теме "управление текучестью персонала"
И эта серия управления текучестью будет течь, пока кто либо выполняет задания.
И последующие посты я буду делать по данным, которые мне присылают, т.е. управление текучестью персонала вашей компании.
Готовы?) Тогда первое задание и самое простое.
* Если серия постов состоится на ваших данных, я расскажу по сути о технологии управления текучестью персонала, которая заложена в этой статье Забудьте про резюме: Большие Данные определяют решение рекрутера

Стаж. Описательные статистики

Управление текучестью персонала начинается с описательных статистик. Для этого предлагаю скачать данные по уволившимся работникам из системы учета кадров. Поскольку мы говорим об управлении текучестью, то имеет смысл брать информацию только по тем работникам, кто принял решение уволиться сам. Кроме того, определитесь, какие позиции вас интересуют, и возьмите для анализа только "горячие" позиции (например, в банке имеет смысл работать с позицией операциониста отдельно от позиции бек офиса).
В системе учета кадров обычно не содержится информации о стаже уволенных сотрудников, но всегда есть следующие поля:

1. Дата приема
2. Дата увольнения

Вот первая задачка: создайте колонку в excel и посчитайте стаж работника на основе даты приема и даты увольнения. Стаж предлагаю считать в месяцах.

Итого у вас получится колонка "стаж", которую я дальше буду именовать переменной. Задание:

1. Постройте гистограмму распределения частот стажа (см. ниже). Я в своей гистограмме взял шагом полгода стажа. Вы можете поиграться с шагом и определить сами, какой период стажа более показателен.
2. Определите минимальное и максимальное значение переменной "стаж"
3. Вычислите среднее и медиану переменной "стаж"

Все. Данные присылайте в файле excel на е майл edvb@yandex.ru

Приложение 1

По моим данным получилось вот такое распределение стажа уволенных.

Минимальное значение переменной "стаж" для моих данных - 1 месяц
Максимальное - 197 месяц.
Т.е. были работники, которые ушли из компании, проработав месяц, а кто то ушел, проработав 197 месяцев или более 16 лет.
Среднее значение стажа по моим данным - 34, 67 месяца
Медиана - 24
Т.е. в среднем в компании уволившийся работник отработал 34, 67 месяца и 50 % увольняющихся по своей инициативе не переходят рубеж стажа в 24 месяцев.
Какие данные получатся у вас? Жду ваши решения.

Пысы

Это только первый шаг в управлении текучестью персонала.
Помимо решений хочу получить обратную связь: не кажется ли текст сложным?

Роль руководителя в развитии подчиненного и удержание персонала

Докладываю результаты нашего исследования (пройдите по ссылке и поучаствуйте!).
База анализа: 540 пар руководитель - подчиненный (инициатор увольнения - подчиненный).
Среди прочего мы задавали вопрос подчиненным:
Проявлял ли Ваш руководитель заботу о Вашем развитии?

• Да, (сам предлагал курсы повышения квалификации, тренинги  и т.п..) 
• Сам нет, но готов был поддержать меня в моем стремлении развиваться
• Нет 

Задача: посмотреть, как забота о развитии подчиненного влияет на текучесть персонала.
Кого цифры вводят в депрессию, можно сразу к выводам в конце переходить.

Результаты:

Диаграмма обозначает следующее:

Как влияет гендер руководителя на текучесть / удержание персонала

Хочу показать один результат нашего исследования факторов текучести / удержания персонала (коллеги, участвуйте в исследовании!).
Мы посмотрели срок совместной работы 540 пар руководителя с подчиненным, где инициатива расставания принадлежала подчиненному (ну т.е. по русски: подчиненный написал заявление на увольнение)
Представляю диаграмму влияния гендера руководителя на текучесть персонала

На этой диаграмме (прошу прощения за качество, сделал по быстрому в SPSS без наведения красоты)
По оси X - срок работы с руководителем:

• 1 - означает, что руководитель с подчиненным проработали менее полугода;
• 2 - менее года;
• 3 - не доработали до 1, 5 лет;
• 4 - до 2 лет вместе;
• 5 - до 2,5;
• 6 - около трех;
• 7 - проработали вместе более трех лет.

Ось Y показывает % подчиненных остававшихся работать с руководителем после каждого отрезка времени, т.е.
0 ознкачает 100 %,

• на рубеже 1 (полгода) с мужчиной руководителем продолжало работать примерно 91 % подчиненных (зеленая линия), а с руководителем женщиной - примерно 88 % (голубая линия).
• на рубеже 2 (год работы)  с мужчиной руководителем продолжало работать примерно 74 % подчиненных, а с руководителем женщиной - примерно 62 %;
• на рубеже 2 (год работы) с мужчиной руководителем продолжало работать примерно 62 % подчиненных, а с руководителем женщиной - примерно 48 %.
• И т.п...

Т.е. подчиненные охотнее расстаются с руководителями женщинами. Для эстетов скажу, что непараметрические криетрии Лог-ранг и Бреслоу показывают значимость различий.

Или: гендер руководителя влияет на текучесть персонала, и принадлежность руководителя к женскому полу является более значимым фактором риска с т.з. текучести персонала

И если мои критики начнут опять приводить аргумент про репрезентативность выборки, я скажу: да, выборка непрезентативна и, скорее, представляет срез среди HR по России. И нужно смотреть отдельно данные по отраслям и позициям. И когда мы наберем в исследовании достаточное количество наблюдений, мы сможем дать картину по отраслям, позициям и другим срезам. Участвуйте в опросе! Проводите опрос у себя в компании!

Об использовании браузера в управлении текучестью персонала

Даю краткие выжимки исследования взаимосвязи между пользовательским браузером работника и текучестью персонала. Опять наше исследование (Ключевые факторы удержания и текучести персонала - проголосуйте ради более валидных результатов!)
Ранее я уже показывал результаты использования браузера: см. Можно ли предсказать готовность работать сверхурочно на основе браузера, которым пользуется кандидат. Этот пост вызвал скандальную реакцию: меня ругали, надо мной смеялись, обвиняли в бреде)))
Поэтому я не делаю никаких выводов, а просто показываю результаты.

Бизнес вводная

Цель всех моих манипуляций - научиться управлять текучестью. Как - я уже описывал многократно в предыдущих постах, поэтому не буду тратить время.

Результаты

357 респондентов. Все уволились по собственному желанию.
Взаимосвязь между стажем и браузерами продемонстрировали Explorer и Яндекс.Браузер, но если первый оказался связан опосредованно через возраст (так называемый эффект медиации). Ну т.е. говоря по простому, по русски, Explorer пользуются люди более возрастного поколения, они, понятное дело, работают дольше в компании хотя бы в силу своего возраста.
С Яндекс.Браузер ситуация другая. Даю последовательно два результата регрессионных уравнений (даю из excel - только потому, что результат проще копировать)

Регрессионное уравнение с одним фактором - Яндекс браузером

Множественный R	0,207927
R-квадрат	0,043234
Нормированный R-квадрат	0,040539
Стандартная ошибка	20,97512
Наблюдения	357
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	1	7057,553	7057,553	16,04151	7,55E-05
Остаток	355	156184,2	439,9556
Итого	356	163241,8
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%	Нижние 95,0%
Y-пересечение	26,08387	1,191307	21,89518	7,37E-68	23,74097	28,42678	23,74097
Яндекс.Браузер	13,15017	3,283286	4,005186	7,55E-05	6,693034	19,60731	6,693034

Регрессионное уравнение с двумя фактороми - Яндекс браузером и годом рождения (возрастом)

Множественный R	0,29834
R-квадрат	0,089007
Нормированный R-квадрат	0,08386
Стандартная ошибка	20,49612
Наблюдения	357
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	2	14529,59	7264,797	17,29339	6,83E-08
Остаток	354	148712,2	420,091
Итого	356	163241,8
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение	Нижние 95%	Верхние 95%
Y-пересечение	1270,467	295,0594	4,3058	2,16E-05	690,1771	1850,757
Яндекс.Браузер	10,6194	3,263943	3,25355	0,001249	4,200246	17,03856
гр	-0,62768	0,148831	-4,21743	3,14E-05	-0,92039	-0,33498

Интерпретация

Значимость фактора Яндекс браузер в паре с возрастом говорит, что он является самостоятельным фактором, а не опосредствующим возраст.

Диаграмма

Кликните по диаграмме, чтобы увеличить масштаб.
На диаграмме: ось X - год рождения, ось Y - стаж в месяцах. Зеленые точки и зеленая линия - показатели пользователей Яндекс браузером, Красные и красная - всех остальных.
Не очень хорошо заметно, но для выборки пользователей Яндекс браузером корреляция между годом рождения и стажем не значима. И показатель по стажу пользователей Яндекс браузера значимо выше пользователей остальных браузеров.

Выводы

Здесь я лучше помолчу и с удовольствием послушаю ваши интерпретации полученных результатов.
Я бы задал только один вопрос: нам фактор "Яндекс.браузер" дал 4, 3 % объясненной дисперсии. Много это или мало?