Перевод статьи Surveying the forest: A meta-analysis, moderator investigation, and future-oriented discussion of the antecedents of voluntary employee turnover - это не столько статья, это описание результатов мета-исследования. Метаисследование - когда ученые анализируют результаты всех исследований по теме, по сути сводят в одно место все эти результаты. 

Это аналог исследований Валидность инструментов оценки персонала  - вы читали баталии, дискуссии и споры? Вот сегодняшние исследования - аналог, только в сфере предикторов / факторов текучести персонала.

Я назвал статью "Предикторы", а не "Причины", потому что под причинами обычно понимают то, что указывают в exit интервью, а предикторы это то, что позволяет прогнозировать уход сотрудника из компании. 

ПРИГЛАШАЮ ОТСЛЕЖИВАТЬ НАС В ТЕЛЕГРАМ

Предикторы волюнтарной (добровольной) текучести персонала (результаты метаанализа)

Текст исследований объемный, поэтому я даю только результаты в виде таблиц (нарезал скрин шотов - это все одна таблица, просто была на разных страницах, поэтому получилось 4 скрина) и текста. В конце даю рейтинг факторов. 

Да, в таблице и в тексте надо смотреть на показатель p - это размер эффекта или, грубо говоря, корреляция. Например, эмоциональная стабильность (𝜌 = –.19) означает корреляцию между качеством и текучестью -0, 19, и минус означает, что корреляция обратная, т.е. эмоционально стабильные сотрудники менее склонны к уходу из компании. 

 Перевод статьи Employee Turnover Costs More Than You Think

Текучесть кадров стоит больше, чем вы думаете

Генри Форд что-то понял.

В 1914 году автопроизводитель начал платить своим заводским рабочим 5 долларов в день за восемь часов работы на конвейере. Хотя Форд модернизировал массовое производство, чтобы сделать его более эффективным, ему по-прежнему требовались сотрудники, которые приходили и оставались рядом. Щедрая заработная плата, эквивалентная сегодня примерно 148 долларам, предназначалась для того, чтобы рабочие возвращались.

Недавнее исследование Уортона, в котором измерялось влияние текучести кадров на качество смартфонов, произведенных в Китае, подтверждает то, что Форд, вероятно, осознал более 100 лет назад на своем автомобильном заводе в Мичигане: стабильная рабочая сила ценна даже на фабрике, где так много неквалифицированного труда. 

Функции с самой высокой текучестью кадров, согласно данным LinkedIn

 Перевод статьи The Jobs with the Highest Turnover Rates, According to LinkedIn Data

Отчасти результаты статьи может объяснять вот эти данные: 

Самая "горячая" позиция в найме в 2021 году: рекрутеры!

Смотрите в тему статью 3 фактора, жестко увязанных с удержанием персонала: результаты анализа 32 млн. профилей в LinkedIn

Но опять же: надо помнить, что результаты статьи могут подвержены искажению, а природа искажений описана в статье Дьявол в деталях. Особенности измерения средней продолжительности работы в компании

Позиции с самой высокой текучестью кадров, согласно данным LinkedIn

Специалисты по персоналу понимают текучесть кадров лучше, чем большинство людей, и не только потому, что их работа связана с жизненным циклом талантов всех сотрудников.

Это связано с тем, что HR сам по себе имеет самый высокий уровень текучести среди всех должностных функций, согласно последним поведенческим данным LinkedIn со всего мира.

Во всем мире текучесть кадров в HR составила почти 15% за последние 12 месяцев. Общий средний уровень текучести кадров составлял около 11%, что означает, что текучесть кадров в HR была более чем на 35% выше среднего показателя, пропорционально говоря.

Текучка в любом отделе может быть стрессовой, но подготовка может помочь вам установить ожидания и планировать заранее, будь вы рекрутером, подбирающим кандидатов, HR-специалистом, борющимся с истощением, или руководителем, стремящимся усилить планирование своей рабочей силы.

Перевод статьи Predict Each Candidate’s “Time To Turnover” Before Making A Hiring Decision- (A checklist of the factors that predict both short and long retention)

Авторр: Джон Салливан. Читайте другие статьи автора

• Уроки управления талантами от Apple: кейсы от самой дорогой компании Мира - статья про компанию времен Стива Джобса, но она до сих пор не утеряла своей актуальности.
• Как Google стал №3 в списке самых дорогих компаний Мира, используя People Analytics - вообще одна из первых статей по HR-аналитике, и HR аналитике в Google - из тех статей, на которых я начинал учиться HR-аналитике.
• Почему вы не можете устроиться на работу: рекрутинг в цифрах - простая арифметика воронки вашего резюме - почему так сложно дойти до устройства на работу, но вот, тем не менее, взорвало рынок. 

Предскажите «время увольнения» каждого кандидата, прежде чем принимать решение о найме (чек-лист факторов, которые прогнозируют удержание)

При рекордно высокой текучести стоит предсказать, какие финалисты, скорее всего, станут первыми.

Улучшите результаты найма, предсказав «время текучести» каждого кандидата

Удивительно, но некоторые компании предсказывают текущую текучесть кадров с точностью 95%. Тем не менее, я полагаю, что пришло время расширить наши прогнозы текучести кадров на процесс отбора кандидатов. Я обнаружил, что сообразительные рекрутеры могут точно предсказать раннюю текучесть кадров и срок пребывания в должности выше среднего с точностью до 70%.

Перевод статьи Want to Know Where Revenue is Headed? Look at this Metric

Как текучесть сейлзов связана с продажами и удовлетворенностью 

Само собой разумеется, что продавцы массово покидают компанию — плохой знак, особенно если эта компания сильно зависит от продажи товаров или услуг. Но что на самом деле говорят данные о последствиях высокого или низкого товарооборота? На этой неделе мы рассмотрим, как доходы компании и настроения сотрудников на самом деле меняются, когда уровень продаж варьируется.

Компании, производящие фармацевтические препараты и медицинское оборудование, особенно сильно зависят от продаж. На примере Abbott Laboratories мы можем увидеть, что происходит с выручкой, когда компании удается сократить отток продавцов:

Примечательно, что выручка начала расти только после того, как Abbott Laboratories сократила текучесть продажников. Точно так же, при контроле влияния компании и времени мы видим, что 10-процентное снижение текучести приводит к 7-

Перевод статьи Should you ever convince someone not to quit?

Статья от Culture Amp, читайте в тему 

Stay интервью (интервью на удержание): ваш ключ к удержанию лучших исполнителей

Стоит ли когда-нибудь убеждать кого-то не увольняться?

Менеджеру трудно слышать, что кто-то хочет покинуть вашу компанию. Кроме того, текучесть кадров также может повлечь за собой высокие эмоциональные и эксплуатационные расходы. Хорошая новость в том, что эти разговоры о выходе не всегда должны быть неприятными. Возможно, этот человек нашел прекрасную возможность, и вы счастливы, что стали ступенькой на его пути к чему-то лучшему.

Но иногда человек уходит из-за проблем, находящихся в вашем распоряжении, с которыми вам не удалось справиться. В такие моменты может возникнуть соблазн попытаться заставить их остаться.

Перевод статьи The 5 secrets to reducing employee turnover

Статья компании Culture Amp. Другие статьи компании:

• Stay интервью (интервью на удержание): ваш ключ к удержанию лучших исполнителей
• 20 вопросов опроса вовлеченности сотрудников, которые вы должны задать
• 20 работающих идей признания сотрудников (recognition)
• 10 предубеждений при проведении performance review и как их избежать
• Калибровка Performance review: что вам нужно знать
• Как использовать OKR (objective and key results), чтобы связать индивидуальные цели с успехом в бизнесе 
• Редизайн performance management для гибридного рабочего места 

5 секретов снижения текучести кадров

Иногда уход одного сотрудника может вызвать цепочку уходов из одной и той же команды или отдела. Периоды высокой текучести кадров могут возникать после того, как любимый менеджер или старший руководитель покидает команду, или когда оставшиеся сотрудники оказываются, как ожидается, возьмут на себя работу уходящего коллеги без нового титула или повышения заработной платы. Когда Великая отставка действует в полную силу, компании могут разорвать цикл непрерывной текучести кадров, сделав приоритетным удержание сотрудников.

Итак, как ваш бизнес может удержать талантливых специалистов? Сдвиньте свое внимание с сотрудников, которых вы теряете, на оставшихся. Слушайте, вовлекайте и мотивируйте сотрудников, которые справляются с последствиями увольнения сотрудника, чтобы они не перегорели. Вот наши советы по сокращению текучести кадров и поддержанию счастья ваших сотрудников.

Понимание причин текучести кадров

Читать Understanding and calculating the cost of employee turnover

Статья от компании Culture Amp.

В тему текучести персонала: 

• Как считать текучесть персонала в EXCEL
• Новый взгляд на текучесть персонала
• Как считать текучесть персонала в Power BI DAX
• Как считать текучесть персонала в Tableau

И два он лайн курса в тему

Текучесть персонала по-новому: расчет среднего срока жизни в Excel

Анализ дожития / Survival analysis (в HR)

Как расчитать стоимость текучести кадров

Никому не нравится текучесть кадров - ни HR, ни руководство, ни менеджеры, ни коллеги, которые работали вместе с человеком, покидающим компанию.

Даже если вы можете увидеть положительные стороны увольнения сотрудника, отток сотрудников сопряжен с реальными эмоциональными и эксплуатационными расходами. Конкуренция за привлечение лучших людей всегда была жесткой, но их найм - только половина дела, особенно во время Великой отставки (The Great Resignation - в США в 2021 текучесть персонала за весну составила по компаниям от 30 до 90 % - прим. Эдуарда Бабушкина). При рекордно высокой текучести кадров замена сотрудника может занять больше времени и быть еще более дорогостоящей, чем раньше.

Перевод статьи Are you prepared to lose 40% of your employees?

В тему читаем: 13 признаков, что сотрудник планирует увольняться (согласно исследованиям)

Все материлы по теме текучести персонала

Следите за статьями в нашем телеграм канале HR-аналитики.

А вы готовы потерять 40% своих сотрудников?

Исследование, проведенное Personio и Opinium, показало, что более трети сотрудников (38%) хотят сменить роли в следующие шесть или двенадцать месяцев или после того, как экономика укрепится. По прогнозам Microsoft, более 40% работиков могут бросить работу в этом году.

Исследование списка вакансий показывает, что около 63% из тех, кто планирует сменить работу в следующие шесть месяцев, больше, чем предсказывали другие исследования. А новый анализ Gallup показывает, что 48% работающего населения Америки активно ищут работу или ищут возможности.

Это довольно пугающие цифры, особенно если вы знаете, как сложно привлечь и нанять новых людей.

Мини-он-лайн курс Текучесть персонала по-новому: расчет среднего срока жизни в Excel

Представляю новый Мини-он-лайн курс Текучесть персонала по-новому: расчет среднего срока жизни в Excel
Текучесть персонала – среди самых часто упоминаемых проблем HR. До сих пор главной метрикой текучести персонала был % текучести персонала. С появлением новых трендов в работе персонала (я имею ввиду в первую очередь Employee Lifetime Value, Employee Journey, Employee Experience) показатель % текучести уже не соответствует решению новых задач.
Все чаще HR обращаются к показателю среднего срока жизни. Но и здесь возникают проблемы. Как правильно считать Средний срок жизни? По кому считать Средний Срок жизни: по тем, кто уже уволился, или то тем, кто еще работает? Ответ прост: корректно считать сразу по тем и другим. Именно об этом пойдет речь в нашем мини-курсе.

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.

Как считать текучесть персонала в Power BI / DAX

Как считать текучесть персонала в Power BI - это продолжение серии постов про расчет текучести персонала.

1. Как считать текучесть персонала в excel (кейс на примере конкретной компании)
2. Расчет показателей текучести персонала в Power Pivot (Excel) (автор Денис Костин)
3. Как считать текучесть персонала в R/Rstudio (кейс на примере конкретной компании)

Вводная

Считать текучесть в Power BI / DAX можно несколькими способами (также, как например, в excel можно получить какой-либо вариант разными путями), поэтому я показал лишь один из. И постарался, чтобы он не повторял пост Расчет показателей текучести персонала в Power Pivot (Excel) , поскольку в посте Дениса Костина и у меня используется DAX (англ. Data Analysis eXpressions — выражения для анализа данных) — формульный функциональный язык запросов, разрабатываемый Microsoft. Поэтому мы показываем по сути два варианта одного и того же.
Ничуть не претендую на оптимальный (простой) способ расчета текучести персонала в Power BI / DAX, но точно гарантирую, что этот способ соответствует расчету текучести персонала согласно законодательству:

Среднесписочная численность работников "за отчетный месяц исчисляется путем суммирования численности работников списочного состава за каждый календарный день отчетного месяца, т.е. с 1 по 30 или 31 число (для февраля - по 28 или 29 число), включая праздничные (нерабочие) и выходные дни, и деления полученной суммы на число календарных дней отчетного месяца.
Численность работников списочного состава за выходной или праздничный (нерабочий) день принимается равной списочной численности работников за предшествующий рабочий день. При наличии двух или более выходных или праздничных (нерабочих) дней подряд численность работников списочного состава за каждый из этих дней принимается равной численности работников списочного состава за рабочий день, предшествовавший выходным или праздничным (нерабочим) дням." Консультант плюс

Если вы читаете этот пост, значит вы уже имеете представление о  Power BI / DAX, поэтому в описании я не буду делать акцент на

1. базовых вещах типа загрузки данных, это основа, и вы должны этим владеть;
2. вариантах визуализации, цель поста - только расчет текучести персонала  Power BI / DAX, визуализацию я использую самую простую.

А также:

1. Я использую придуманные данные, там несколько десятков строк, я считаю это преимуществом, потому что можно проверить результат "на пальцах"
2. Я показываю решение в видео лекции, вы сможете увидеть и переписать формулы с видео, я не буду ничего закрывать.
3. Если же вы хотите получить код с расчетами и (по желанию) файл с данными, я готов это сделать за донат в 200 рублей, который пойдет на продвижение сервиса Калькулятор Времени поиска работы - пишите edvb()yandex.ru

Итак,

Влияние коммуникаций в коллективе на риск увольнения зависит от стажа работы

Пост по структуре идентичен посту Влияние отношений с руководителем на риск увольнения зависит от совместного стажа работы.
Но если в том посте я смотрел связь отношений с руководителем на риск текучести, то сейчас я сморю на отношения в коллективе и риск увольнения.
Гипотеза очень простая: интенсивность взаимодействия с коллегами имеет неодинаковую важность на разных этапах пути работника в компании. В начале пути, есть подозрение, эта интенсивность важнее. Тот самый Employee Experience,о котором сейчас так много пишут и говорят.

Данные

Данные для исследования из моего опроса Ключевые факторы эффективности и текучести персонала - опрос активный, я надеюсь, что вы поучаствуете в нем. В опросе необходимо описать последнее место работы (неважно, уволились или продолжаете работать).
Для данного поста мы берем дату приема, дату увольнения (или дату, когда заполнялся опросник, если респондент продолжает работать) и вопрос Просим оценить интенсивность взаимодействия с коллегами. Всего 6854 респондентов. Вопрос Просим оценить интенсивность взаимодействия с коллегами содержит такие уровни оценки:

1. крайне значительная 1548 (число означает число респондентов, выбравших этот вариант)
2. значительная   2869  
3. средняя 1858 
4. незначительная 416 
5. крайне незначительная 163    

Распределение имеет левостороннюю асимметрию, для вариантов "крайне незначительная" и "незначительная" маловато данных, но ... участвуйте и добавляйте данных Ключевые факторы эффективности и текучести персонала.

Подготовка данных

Интересно, что значимые различия в уравнении есть между всеми уровнями фактора, кроме "значительная" и "крайне значительная", поэтому я объединил два этих варианта. А поскольку "крайне незначительная" и "незначительная" - дают немного голосов, то я их тоже объединил.
В итоге я получил вместо пяти три уровня фактора:

• "незначительная", 
• "средняя" и 
• "значительная".

Кроме того, я разбил стаж на три промежутка

• До полугода работы;
• От полугода до года;
• Более года работы.

Итого мы получили 

	До полугода	До года	Больше года
значительная	520	589	3308
средняя	296	306	1256
незначительная	130	107	342

Т.е. у нас 520 респондентов, которые указали, что у них значительная интенсивность взаимодействия с коллегами, и проработали или работают на момент заполнения опроса менее полугода. И так далее. 

Результаты 

Не буду утомлять математикой и формулами, просто резюмирую результаты:

• В целом интенсивность взаимодействия объясняют небольшую долю текучести. Точность модели 0, 53, где 0, 5 означает случайную точность - точность монетки, а 1 - идеальное попадание. Так вот, 0, 53 это мало, значительно меньше, чем связь между рисками текучести и отношениями с руководителем, но все-таки выше плинтуса
• Если говорить о стаже, то после года жизни в коллективе интенсивность взаимодействия с коллегами не влияет на риски текучести. Т.е. этот параметр важен только при вхождении в коллектив до года. 
• Если респондент указывает вариант "значительная" интенсивность и проработал до полугода, то риск увольнения из компании в 1,5 раза ниже в сравнении с респондентами, которые выбрали другое;
• Если респондент указывает вариант "значительная" интенсивность и проработал от полугода до года, то риск увольнения из компании в 1,3 раза ниже в сравнении с респондентами, которые выбрали другое (т.е. спустя полгода работы риски уже не так снижаются, как до полугода работы);
• Если респондент указал "незначительная" + проработал до полугода, то риск увольнения в 1,6 выше;
• А вот если респондент указал "незначительная" и проработал более полугода, то риски уже не отличаются от тех, кто указал "средняя" и "значительная"
• Как общий вывод: риски увольнения зависят от степени интенсивности взаимодействия с коллегами, но эти риски наиболее важны в начале пути работника в компании, но снижаются и теряют свою значимость через год работы в компании.
• Также напоминаю, что данные исследования это "среднее по больнице", и в конкретно взятой компании могут быть другие результаты, которые могут определяться отраслью, корпоративной культурой и т.п... Но, тем не менее, в каждой компании будет общая тенденция снижения значимости рисков текучести в зависимости от стажа. 

Хотите провести исследование в своей компании? пишите Контакты
Или запишитесь на Он-лайн курс "Введение в R для HR"

__________________________________________________________
мы в фейсбуке, телеграмме и вконтакте

Как считать текучесть персонала в R/Rstudio (кейс на примере конкретной компании)

Это по сути повторение поста Как считать текучесть персонала в excel (кейс на примере конкретной компании) с той лишь разницей, что я считаю текучесть в R / Rstudio.
Я беру тот же самый файл, что ив приведенном посте.
И считаю текучесть я в соответствии с российским законодательством:

число уволенных работников за отчетный период / среднесписочная численность работников за отчетный период.

И среднесписочная считается так:

Среднесписочная численность работников "за отчетный месяц исчисляется путем суммирования численности работников списочного состава за каждый календарный день отчетного месяца, т.е. с 1 по 30 или 31 число (для февраля - по 28 или 29 число), включая праздничные (нерабочие) и выходные дни, и деления полученной суммы на число календарных дней отчетного месяца.
Численность работников списочного состава за выходной или праздничный (нерабочий) день принимается равной списочной численности работников за предшествующий рабочий день. При наличии двух или более выходных или праздничных (нерабочих) дней подряд численность работников списочного состава за каждый из этих дней принимается равной численности работников списочного состава за рабочий день, предшествовавший выходным или праздничным (нерабочим) дням." Консультант плюс

Решение

Если Вы хотите овладеть языком R, рекомендую свой он лайн курс Он-лайн курс "Введение в R для HR"
После загрузки данных, дату поступления и дату увольнения конвертируем в переменную типа Дата.

df$begin = as.Date(df$Дата.поступления, "%d.%m.%Y")
df$end = as.Date(df$дата.увольнения, "%d.%m.%Y")
df$end[is.na(df$end)] =  "2018-05-30 UTC" 

Последняя строка здесь - я заполнил пустые ячейки дат увольнения (пустые, потому что эти работники продолжают работать) датой выгрузки отчета. И формула

n  = NULL;
m = NULL;
for(i in seq(as.Date('2018-01-01'), as.Date('2018-01-31'), by = 'day')) {
  x = length(which(i == df$end))
  m = rbind(m, x)
  y = length(which(df$begin < i))-length(which(i > df$end))
  n  = rbind(n, y)
 }
print(sum(m)/mean(n))

Здесь:

seq(as.Date('2018-01-01'), as.Date('2018-01-31'), by = 'day')

это последовательность дней месяца
m - это количество уволенных в день месяца;
n - среднесписочная за день.
Потом мы делим количество уволенных за месяц на среднесписочную за месяц. У меня за январь 2018 года текучесть получилась 0.01064467. Или 1, 06 %.
В предыдущем посте за тот же период текучесть персонала по формуле в excel получилась 0.010644666 - ну т.е. мы получили одинаковые цифры.

В Rstudio мне кажется считать текучесть удобнее, поскольку не нужно по каждому месяцу рисовать портянку. Задал в seq нужные даты и посчитал за 1,2 секунды. Причем, мы ведь можем считать не только за месяц, но и за два месяца, квартал, год и т.п...
Давайте усовершенствуем
Можно зашить расчеты в формулу

turnover = function(data, date_begin, date_end) {
  n  = NULL;
  m = NULL;
  for(i in seq(as.Date(date_begin), as.Date(date_end), by = 'day')) {
    x = length(which(i == df$end))
    m = rbind(m, x)
    y = length(which(df$begin < i))-length(which(i > df$end))
    n  = rbind(n, y) }
  print(sum(m)/mean(n))
}

И мы можем получить результат, где df - наши данные, первая дата - начала периода, вторая дата - конец периода.

turnover(df, '2018-01-01', '2018-01-31')
[1] 0.01064467

Диаграмма текучести

Но мы могли бы сразу настроить построение диаграммы. Например, я хочу построить график текучести помесячно. Я  создаю новую формулу.

turn_plot = function(data, date_begin, date_end) {
  n  = NULL;
  m = NULL;
  for(i in seq(as.Date(date_begin), as.Date(date_end), by = 'day')) {
    x = length(which(i == df$end))
    m = rbind(m, x)
    y = length(which(df$begin < i))-length(which(i > df$end))
    n  = rbind(n, y) }
  
  a =format(seq(as.Date(date_begin), as.Date(date_end), by = 'day'), '%m.%Y')
  
  gh = data.frame(tapply(m/n,a, sum ))
  gh$date = row.names(gh)
  colnames(gh) = c('num', 'date')
  gh$num = as.numeric(gh$num)
  library(ggplot2)
  library(scales)
  ggplot(data=gh, aes(x=date, y=num)) + geom_bar(stat="identity", color="blue", fill="white") +
    geom_text(aes(label=scales::percent(num, accuracy = 0.001)), vjust=-0.1, size=6.5) +
    theme_grey(base_size = 30) 
  
}

И я задаю даты за 4 месяца

 
turn_plot(df, '2018-01-01', '2018-04-30') # только имейте ввиду, что дата '2018-04-31' выдаст ошибку

И мы получаем

Из меня не очень хороший дизайнер, но картинку можно нарисовать любую.

 __________________________________________________________
 На этом все, читайте нас в фейсбуке, телеграмме и вконтакте

Высокая стоимость текучести персонала

Перевод статьи The high cost of employee turnover в рамках нашего  проекта переводы статей по hr-аналитике на английском. Автор Sean Preusse.
Перевод выполнила Светлана Дзюбенко (профиль в фейсбуке), HR из Одессы, работает более 15 лет директором по персоналу в коммерческих компаниях, в сферах оптовой торговли В2В,В2С, производства, транспортных услуг. Это четвертый перевод Светланы, смотрите также

1. Unilever нанимает сотрудников, используя интеллектуальные игры и искусственный интеллект, - и это стало огромным успехом - самая популярная статья 2018;
2. Для удержания новых сотрудников, встречайтесь с ними в их первую неделю работы
3. Опросы сотрудников - по-прежнему один из лучших инструментов измерения вовлеченности

Итак,

Высокая стоимость текучести персонала

Еще никогда не было так легко для сотрудников находить новые рабочие места. Интернет совершил революцию в том, как мы ищем работу, и это облегчило рекрутерам общение с будущими сотрудниками в любой точке мира.
При этом, стоимость замены может быть высокой и включать как прямую, так и косвенную стоимость замены. Ниже диаграмма показывает временной лаг, необходимый для получения пользы от нового найма с течением времени.

Для некоторых функций достижение полной производительности может занять два года.
Поскольку организации должны смотреть на автоматизацию, навыки, необходимые для рабочей силы, становятся все более специализированными и востребованными. В зависимости от сложности функции, может потребоваться два года для того, чтобы работник достиг 100% продуктивности по сравнению с тремя месяцами для задач, ориентированных на функцию.
Добровольная текучесть обойдется многим организациям в миллионы долларов

На поверхности некоторые из этих затрат будут очевидны и включают прямые затраты, такие как набор, адаптация, обучение.
Затраты, которые не так заметны, включают в себя потерю производительности, влияния и связей, поскольку некоторым из них может потребоваться определенный уровень мастерства для того, чтобы работник был полностью продуктивным.

Понимание драйверов для улучшения результатов бизнеса.

Что если бы могли управлять 1% улучшения стоимости замещения в рамках целого ряда инициатив с использованием подхода, основанного на данных? Эта возможность может представлять собой материал, который может быть использован для построения бизнес-кейса или переориентации существующих программ на решение этой проблемы.

Сокращение на 1% до 0% может показаться низким, но может представлять большую ценность для организации, т. е. в зависимости от размера организации, скажем 2500, а годовая выгода может составить $ 2,8 млн.

Это деньги, которые можно потратить на другие инициативы, такие как улучшение культуры, вовлеченность и производительность, а также создание инструмента  для понимания проблем сотрудников до их возникновения.

Создание надежного бизнес-кейса вокруг цифр

Начать управление на основе цифр легко. Начните с полного выделения их за последние 12 месяцев. Рассчитайте коэффициент текучести по сравнению со средней численностью за тот же период, а затем рассчитайте стоимость замещения.

Затраты на замещение могут быть рассчитаны по должностям или группе зарплат. Для обоих вам потребуется сопоставить процентную производительность в течение заданного периода, охватывающего весь период или квартальные блоки. Чем проще модель, тем легче объяснить. С помощью этой информации вычислите обратную «потерянную производительность» и умножьте ее на зарплату за период.

Переход к реальной возможности

Общая стоимость расходов на замену специалиста может показаться страшной или огромной возможностью. Эту цифру необходимо держать в поле зрения. Люди, естественно, будут покидать организацию по широкому спектру факторов, некоторые из которых вы не будете контролировать. Вам нужно будет вычислить скрытые факторы и понять, что вы можете контролировать изнутри с помощью целого ряда действий.

Чтобы помочь в этом целенаправленном анализе, вы можете захотеть измерить показатели текучести по должностям. Это может показать вам недостатки, которые обусловлены плохой практикой руководства, культуры или управления, что может быть улучшено внутри компании.

Красным цветом обведены должности, которые вы считаете соответствующими, и вы в состоянии определить возможность улучшения текучести на 1%, которая может быть использована для финансирования инициатив или дальнейшего анализа.

Другое направление анализа может включать область возможностей. Это может быть немного сложнее понять, поскольку сотрудники могут иметь несколько возможностей, но и могут выступать в качестве важной призмы, чтобы построить прочную основу на краткий период и позволит проводить более целенаправленные действия по сокращению текучести.

В общем и целом:

1. Во-первых, понять временной лаг выхода на прибыль для компании за 12-месячный период и сегментировать этот лаг в 3-4 группы сложности.
2. Вычисление показателей текучести  по должностым для понимания того, что можно контролировать.
3. Моделирование может быть выполнено в Excel, без сложного программного обеспечения.
4. Определить диапазон действий и сегментировать людей в контрольно-испытательной группе, чтобы помочь понять эффект от программы.
5. Прохождение более глубокого анализа опроса, оплаты, мобильности, лидерства и переменных жизненного цикла, а также сотрудников перешедших в группу высокого риска или повышая общую удовлетворенность сотрудников, приведут компанию к успеху.

__________________________________________________________

На этом все, читайте нас в телеграмме и вконтакте

Как считать текучесть персонала в excel (кейс на примере конкретной компании)

ПРИГЛАШАЮ ОТСЛЕЖИВАТЬ НАС В ТЕЛЕГРАМ

Рекомендую посмотреть данные видео:

1. Как считать текучесть персонала Excel Power Pivot
2. Дашборд отчет динамика найма увольнений Excel Power Pivot
3. Как считать среднесписочную численность Headcount Excel Power Pivot

Пост родился вследствие опроса в нашем телеграм канале Какие показатели текучести кадров считают в компаниях? (по ссылке результаты опроса). Я показал, что из себя представляет средний срок жизни - см. Кейс: метрики текучести персонала на примере одной компании, но самой востребованным показателем текучести персонала, который бы хотели изучить коллеги - как считать % текучести персонала в excel

* присоединяйтесь к нашему телеграм каналу @hranalitycs.
Поэтому я и решил сделал кейс по расчету текучести персонала в excel на примере данных конкретной компании.
Также рекомендую Вам этот пост Как считать текучесть персонала в R/Rstudio (кейс на примере конкретной компании)

Видео

Крайне рекомендую посмотреть видео расчета текучести в excel 

Вводная

Файл с данными и решением вы можете, подписавшись на мой телеграм канал HR-аналитики - пишите там, я скину файл - данные я эту взял только потому, что это первый файл, который мне прислали. Ничего личного.
Если вы хотите научиться считать текучесть персонала в excel так, как это делаю я (а я не претендую на то, что я это делаю так, как надо), то рекомендую скачать файл по ссылке, читать пост и сверять с файлом.
Для расчетов текучести персонала в excel потребуется только две колонки:

1. Дата приема работника;
2. Дата увольнения работника (если он работает на момент отчета, то поле остается пустым).

Эти данные, как мне кажется, легко выгрузить из любой системы учета персонала, в которой фиксируются прием и увольнение. Я исхожу из допущения, что в компании корректно и своевременно оформляют прием и увольнение работников.

Формула расчета 

Я принял за основу форму, где текучесть определяется по формуле:
число уволенных работников за отчетный период / среднесписочная численность работников за отчетный период.
В нашем случае данные за несколько месяцев 2018 года, поэтому текучесть персонала в excel мы будем считать помесячно. Уверен, что вы легко сможете применить эту формулу уже по отношению к году.

Среднесписочная численность работников "за отчетный месяц исчисляется путем суммирования численности работников списочного состава за каждый календарный день отчетного месяца, т.е. с 1 по 30 или 31 число (для февраля - по 28 или 29 число), включая праздничные (нерабочие) и выходные дни, и деления полученной суммы на число календарных дней отчетного месяца.
Численность работников списочного состава за выходной или праздничный (нерабочий) день принимается равной списочной численности работников за предшествующий рабочий день. При наличии двух или более выходных или праздничных (нерабочих) дней подряд численность работников списочного состава за каждый из этих дней принимается равной численности работников списочного состава за рабочий день, предшествовавший выходным или праздничным (нерабочим) дням." Консультант плюс

Расчет 

Таким образом (открываем файл excel), если мы хотим посчитать текучесть персонала на январь 2018 год, нас нужно посчитать количество работников на каждый день января  и количество уволенных за месяц в компании. В нашем файле я создаю даты каждого месяца (см. колонки D, H, L, P - каждая колонка соответствует дням месяцев январь, февраль, март, апрель 2018 года.).
Сразу оговорюсь, что я обещал только предоставить корректные формулы расчета текучести персонала в excel, но не обещал красоты и секси дизайна, в последнем я совершенно не силен.
Давайте посмотрим на примере одного месяца - января.

1. Колонка D соответствует дням января - от 01 января 2018 года до 31 января. 
2. Напротив каждого дня нам нужно показать количество работников в статусе "работает" - этому соответствует колонка E;
3. И мы также считаем количество уволенных по каждому дню - это колонка F.

Анализ дожития специалистов по продаже недвижимости

Анализ дожития специалистов по продаже недвижимости

(домашнее задание после семинара «HR-аналитика в R»)

Этот пост, возможно, несет не самую большую ценность с точки зрения результата.  Скорее,  мне хотелось бы замотивировать ту часть HR-сообщества, которая считает, что R это что-то, с помощью чего запускают ракеты в космос и им никогда этого не осилить (ну, и выполнить домашнее задание, конечно). По той же причине я сознательно не буду детально приводить код. Опытные им владеют и без меня,  остальным отдельные его части мало помогут: вам придется или начать изучать R и написать его самим…или съездить на семинар.  Я хочу показать логику работы и тот результат, который может получить даже такой махровый гуманитарий как я.

Анализ дожития (survival analysis) с помощью регрессии Кокса, на мой взгляд, является одним из наиболее понятных инструментов, рассматриваемых на семинаре. Кроме того, данные для этого исследования наверняка найдутся в любой компании.  Он позволяет выявить, какие факторы влияют на текучесть персонала в компании и спланировать шаги по её снижению.

Мне интересно было попробовать этот инструмент на реальных данных. Например, понять, что способствует удержанию сотрудников, принадлежащих к такой неоднозначной профессии, как специалист по продаже недвижимости.

Итак, на входе у меня были:

1.    Информация о специалистах по недвижимости одной крупной риэлторской компании за 2016-2017 год : 552 сотрудника, даты их приема и увольнения (для тех, кто уже покинул компанию),  пол, информация о наличии автомобиля.

2.    Готовый скрипт по анализу дожития, полученный на семинаре, который требовалось только адаптировать под мои данные.

Шаг 1. Готовим данные

Для работы с регрессией Кокса необходимо иметь точную цифру стажа работы сотрудника в компании в месяцах. R позволяет несколькими строчками кода добавить в наш набор данных новую переменную «Стаж», вычтя из даты увольнения дату приема сотрудника.  Для  еще работающих сотрудников  за дату увольнения мы принимаем дату выгрузки данных.

Кроме того, необходимо ввести новую переменную (например, назовем её «Увольнение»), показывающую, состоялось ли увольнение (в строчке напротив фамилии будет стоять «1»), или сотрудник еще работает (соответственно, «0»). R также позволяет нам сделать это одной строчкой кода.

Шаг 2.  А как вообще дела с текучестью?

Первым делом интересно узнать, а как в принципе обстоят дела с закрепляемостью (давайте ставить цели позитивно) специалистов по недвижимости в компании.

Регрессия Кокса и её визуализация в R позволяет нам построить вот такую шикарную картинку:

По оси X  - стаж работы сотрудника в месяцах.

По оси Y  - вероятность  сотрудника проработать (‘дожить’) до этого стажа.

Мы видим, что вероятность  доработать до одного года в компании составляет примерно 40%. Другими словами, из 100 принятых сотрудников 60 покинет компанию раньше этого срока.  

Средняя продолжительность работы специалиста (смотрим по вероятности  дожития 0,5) – примерно полгода. Пунктиром выделены границы ошибки, то есть, точнее будет сказать, что средняя продолжительность работы составляет примерно от 5 до 7,5 месяцев.

Для любителей точных цифр в R можно вывести вот такую статистику:

Выводы практически аналогичны графику: средняя продолжительность жизни специалиста – 5,94 месяца, точнее – от 5,1 до 7,7.

Это не удивительная картина, так как на специалиста по недвижимости не учат в вузах, и значительная часть сотрудников приходят "попробовать" профессию. Наша задача определить, у кого же дольше получится в ней задержаться.

Шаг 3. Анализируем конкретные факторы

Гипотеза первая. Я предположила, что дольше в компании задерживаются представители определенного пола. Не буду, уточнять, какого, но мы то, дамы, понимаем…

С помощью регрессии Кокса и последующей визуализации результатов получаем вот такую картинку:

Видим, что женщины в среднем «живут» в компании семь месяцев, мужчины – чуть больше пяти). Вроде бы «ура!» и девочки пьют шампанское, но давайте признаемся - графики находятся подозрительно близко.

Кроме красивых картинок, регрессия Кокса в R показывает нам, а действительно ли тот или иной фактор оказывает влияние на скорость увольнения.

В данном конкретном случае мы видим, что,  увы, сам по себе пол на дожитие не влияет (p > 0,05).

Ищем дальше.

Гипотеза вторая.  Вполне ожидаемо предположить, что без машины специалисту по работе с недвижимостью будет сложно, в независимости от пола. Но дамам, я уверена, сложнее в модной обуви на каблуках перемещаться от объекта к объекту.  Давайте посмотрим, как влияет на закрепляемость наличие или отсутствие автомобиля у специалистов обоих полов.

Получаем, что при таком раскладе значимы оба фактора: как пол, так и наличие авто (p < 0.05 у обоих факторов):

И, визуализировав полученный результат, видим:

…что женщины с машиной вырываются вперед и их средний срок работы  (напоминаю, смотрим по вероятности 0,5) составляет уже аж 8 месяцев (что на  треть выше среднего срока по компании , не говоря уже о мужчине без машины).

Но и тут я не стала бы открывать шампанское, празднуя торжество феминизма.

R также рассчитывает нам метрику качества нашей модели (Concordance), показывающую, а действительно ли нам хватит этих факторов, чтобы однозначно управлять текучестью.

В нашем случае мы получили вот такую характеристику качества модели:

Чуть выше 0.5 – это слабая модель. 

Нужно искать другие факторы, которые также влияют на показатель текучести.

Выводы, которые можно сделать уже сейчас:

- Вводить в качестве обязательного требования к специалистам по продаже недвижимости принадлежность к определенному полу и обязательное наличие авто  нерационально (и незаконно!)

- При прочих равных условиях при выборе из двух кандидатов можно учитывать наличие автомобиля. Про пол мы не будем во избежание обвинений в сексизме.

Бутылку шампанского я прячу до следующего поста в блоге. Сейчас мне хочется посмотреть, влияют ли на закрепляемость специалистов процессы, происходящие в  самой компании (адаптация, обучение, менеджемент). Но об этом - в следующем посте.