Анализ текучести персонала – Методы прогнозирования

Это перевод, и очень замечательный перевод очень замечательной статьи.  Ричард Розенбоу (Richard Rosenow) написал две очень неплохие статьи о текучести персонала, которые перевела Екатерина Малинина, HR business partner в IT-отрасли. Эксперт в оценке, обучении, развитии талантов. Помогает менеджерам строить эффективные и надежные команды, способные переложить в программный код любую задачу бизнеса. Профиль в фейсбуке и в Линкедине
Данный перевод  Analyzing Employee Turnover - Predictive Methods -  продолжение статьи Анализ текучести персонала – Описательные методы - и он про самое вкусное - каковы практики прогноза текучести персонала.
Итак

Анализ текучести персонала – Методы прогнозирования
Для чего нужно изучать текучесть персонала?

На первый взгляд, «намерение уволиться» должно быть неплохим предсказателем текучести. Если бы кто-то из коллег сообщил мне, что собирается покинуть компанию, думаю, я был бы уверен, что вероятность его/ее ухода очень высока. Между тем многим исследователям удалось перевести это «намерение» в формат числовых значений и результаты получились впечатляющими.
Например, в 2000 году появилось мета-аналитическое исследование (т.е. анализ нескольких исследований) текучести, подготовленное специалистами Rodger Griffeth и Peter Hom, которое выявило, что среди всех фактов увольнения «намерение уволиться» имеет 12%ную общую дисперсию (другими словами, объясняет около 12% увольнений сотрудников). Это очень хороший результат для исследований в области человеческого поведения, но мало объясняет читателю, в чем дело. Если решение покинуть компанию приводит сотрудника к увольнению лишь в 12% случаев, то перед тем, как мы сможем научиться прогнозировать текучесть, нам необходимо разобраться, почему вообще люди уходят.
Я рассказал о некоторых описательных методах анализа текучести персонала в своей предыдущей статье, однако этих показателей недостаточно, чтобы понять, что может стать причиной текучести. Цитата, приписываемая Yogi Berra, гласит: «Очень сложно давать прогнозы, особенно о будущем», - и она вдвойне верна, когда прогноз касается людей. Тем не менее, разработан ряд непростых методов, которые приближают нас к прогнозированию текучести.

Продвинутые методы анализа текучести персонала

Я называю эти методы «продвинутыми», потому что их применение требует определенных знаний в области статистики и анализа. Как бы мне не хотелось, но научить вас применять эти методы за время чтения этой статьи я не смогу. Моя цель – познакомить вас с ними и снабдить ссылками на ресурсы, где бы вы могли узнать о них больше. Итак, данная статья может стать отправной точкой для каждого, кто интересуется прогнозом текучести персонала.
Ниже я познакомлю вас с логистической регрессией и анализом выживаемости, а также коротко затрону методы дерева принятия решений и случайного леса. Наконец, я расскажу о продукте Watson от компании IBM как об инструменте для анализа текучести, а также перечислю несколько компаний-разработчиков ПО, автоматизирующих прогнозные методы аналитики в приложениях для HR.
Читателей, не имеющих технической специальности, эти методы познакомят с рядом сложных статистических техник и языком статистики. Другая моя цель со времен написания стартового набора HR-аналитика (часть 1 и часть 2) была сделать эти статьи входной точкой для всех желающих разобраться в анализе и продолжить его изучение дальше.
Если вам интересно углубить (или вспомнить) знания в области статистики, могу предложить две легко читаемые книги:
• Статистика. Краткий курс в комиксах, автор Larry Gonick – сначала кажется бесполезной, но к тому моменту, когда вы осознаете, что учитесь, успеете освоить базовый курс статистики
• Статистика на понятном английском, автор Timothy Urdan – название говорит за себя. Отличный путеводитель по миру статистики для неспециалиста.

Логистическая регрессия

Говоря о том, почему стоит изучить логистическую регрессию, скажу, что логистическая регрессия – самый часто применяемый метод в построении прогнозов текучести персонала. Эта техника – один из способов получить ответы на вопросы «почему люди уходят из компании?», «как мы можем повлиять на уровень текучки?» и «кто, наиболее вероятно, уволится в следующем году?».
Цель любого типа регрессии – предсказать исход, используя один или несколько факторов. Мы хотим спрогнозировать текучку – зависимую величину, используя данные о работе – независимые величины. Если в науке о данных вы новичок и хотите узнать больше о том, что может дать метод регрессии, начните с прекрасного гида для начинающих на портале journalistsresource.org – Основы регрессионного анализа для журналистов.
Признаюсь, освоение регрессии заняло у меня достаточно много времени. Добавление слова «логистическая» к регрессии делает это словосочетание еще более пугающим. Однако есть хорошая новость: логистическая регрессия, попросту говоря, - это форма регрессии, используемая в том случае, когда прогнозируемый исход составляет 1 или 0. Это как раз то, что нужно для прогнозирования текучки: люди или уходят, или остаются в компании.
Недавно я встретил, на мой взгляд, самое лучшее объяснение логистической регрессии. Paul Dalen, консультант в Clarity Solution Group, опубликовал на LinkedIn статью «Кто боится логистической регрессии”. Раньше и я боялся, но после прочтения этой статьи перестал. Для всех, кто хотел бы окунуться в мир логистической регрессии, - это прекрасный источник знаний.
Прекрасный образец применения логистической регрессии в HR для изучения текучести персонала предложил вице-президент по аналитике группы HSBC в Индии Rupesh Khare. Rupesh и его команда использовали демографические данные для создания модели, прогнозирующей риск увольнения. По ссылке можно найти PDFфайл «Оценка риска увольнения персонала с использованием логистической регрессии» с пошаговым описанием процесса.
При тех возможностях, что может дать логистическая регрессия, я частенько завидую тому, как ее можно использовать в инжиниринге или технологиях. И вот почему: если в инжиниринге исходные данные верны и среда контролируема, тогда прогноз отказа какой-либо машины или механизма невероятно точен. Однако в вопросах человеческого поведения всё гораздо хуже. Феномен, исследуемый нами, включает в себя слишком много составляющих, и человеческое поведение настолько разнообразно, что добиться высокой точности невозможно.
Другой недостаток логистической регрессии в том, что результат бывает трудно интерпретировать. Первый результат, который вы, скорее всего, получите, будет отношение шансов увольнения одной группы персонала против другой. Чтобы перевести это отношение в конкретный процент вероятности текучки, необходимо проделать несколько дополнительных действий. К счастью, пока я готовил эту статью, Paul Dalen разместил новый пост по логистической регрессии, описывающий эти действия: «Принятие решений на основе логистической регрессии в малом бизнесе». Эти шаги требуют применения математической статистики, и данная статья – отличный источник знаний в этой области.

Анализ дожития

Анализ дожития, также известный как событийно-исторический анализ, - продвинутый статистический метод, оценивающий вероятность наступления события во времени. Эта методика впервые использовалась в медицине для прогнозирования выживания пациентов. Раз уж этот метод имеет такую мрачную историю, он отлично подойдет для оценки текучести персонала. Если мы вернемся к предыдущей статье «Анализ текучести персонала – описательные методы», эта техника, по сути, является более развитым и статистически обоснованным методом когортного анализа. Ниже представлено несколько выводов на основе анализа дожития.

(Подписи к рисунку)

Показатели дожития Показатели дожития для новичков

Прогноз дожития Показатели дожития для новичков как функция от реалистичного ознакомления с работой и длительности трудоустройства

По вертикали – агрегированный показатель дожития

По горизонтали – длительность трудоустройства (в месяцах)

Голубая линия – традиционное ознакомление с работой.

Оранжевая линия – реалистичное ознакомление с работой.

Слайды выше – результат анализа дожития, представленный исследователем Tom Briggs, ныне работающим в Министерстве Обороны США. В своей презентации Tom описывает применение анализа дожития для исследования разницы в текучести сотрудников, которым на этапе отбора представляли реалистичное описание работы, и теми, кому предлагали традиционное описание. Как можно видеть, агрегированный показатель дожития тех сотрудников, кому предлагалось реалистичное описание работы, выше, чем тех, кому давалось традиционное описание.

Если перевести эти наблюдения в числовые показатели, то получим, что вероятность работы в компании на протяжении первых 12 месяцев выше на 15% в случае реалистичного ознакомления с работой, что для нас является интересным открытием. Лично я думаю, что результат анализа дожития – один из наиболее наглядных и легко интерпретируемых методов. Tom рассказывает более подробно о нем в работе «Прогнозирование текучести персонала с помощью анализа дожития».

В качестве еще одного примера я хотел бы предложить вам статью «Анализ дожития для исследования оттока персонала», где описывается создание и применение анализа дожития с помощью статистического языка R. Сразу скажу, что я не тот Ричард, который опубликовал данное исследование. Автор Richard Puzon использовал лучшие примеры программирования на языке R для решения задач в области HR (ниже дам несколько ссылок на его работы). Однако, к сожалению, он не разместил свою контактную информацию на сайте, поэтому это всё, что я о нем знаю. Между тем его работа очень детально и информативно описывает применение методики.

В отличие от результатов логистической регрессии, которые мы описывали ранее, анализ дожития может спрогнозировать вероятность увольнения конкретного сотрудника в определенный момент времени. Дополнительные возможности быстро строить графики дожития и подсчитывать вероятность увольнения в конкретный момент времени делает этот метод одним из самых ценных в моем списке.

Методы деревьев – Дерево принятия решений и случайный лес

Я сомневался, включать ли дерево принятия решений и случайный лес в данную статью. Т.к. я сам еще осваиваю эти методы, не уверен, что могу дать качественное суждение. Однако я часто вижу, что исследователи используют их для прогнозирования текучести, поэтому проигнорировать их в статье не могу. Таким образом, этот раздел предлагает верхнеуровневый обзор ресурсов и ссылок на авторов, которые могут рассказать об этих методах гораздо подробнее.

В отличие от логистической регрессии или анализа дожития, которые сразу спускаются на уровень индивидов, построение модели дерева принятия решений начинается со всех сотрудников и далее распределяет их во всё меньшие и меньшие группы на основе вероятности их увольнения. Графически этот процесс выглядит, как дерево с центральной верхушкой и большим количеством листьев для каждого направления.

(Подписи к рисунку)

Параметры прогнозирования				Цель
Наблюдения	Температура	Влажность	Ветрено	Играть в гольф
Дождливо	Жарко	Высокая	Нет	Нет
Дождливо	Жарко	Высокая	Да	Нет
Пасмурно	Жарко	Высокая	Нет	Да
Солнечно	Умеренно	Высокая	Нет	Да
Солнечно	Холодно	Нормальная	Нет	Да
Солнечно	Холодно	Нормальная	Да	Нет
Пасмурно	Холодно	Нормальная	Да	Да
Дождливо	Умеренно	Высокая	Нет	Нет
Дождливо	Холодно	Нормальная	Нет	Да
Солнечно	Умеренно	Нормальная	Нет	Да
Дождливо	Умеренно	Нормальная	Да	Да
Пасмурно	Умеренно	Высокая	Да	Да
Пасмурно	Жарко	Нормальная	Нет	Да
Солнечно	Умеренно	Высокая	Да	Нет

Чтобы разобраться с методом дерева решений, посмотрите выложенные на ресурсе r2d3.us материалы о наглядном введении в машинное обучение. Они помогут вам понять, как и почему работает данный метод.

Если брать пример из сферы HR, можно обратиться к материалам Divyabh Misra, основателя CrowdAnalytix, где он использует дерево решений для анализа текучки. В своей работе «Анализ оттока персонала» он описывает, как продолжительность работы связана с текучестью персонала в  компании SanDisk. Рисунок ниже иллюстрирует это.

(Подпись к рисунку)

Исследование данных обнаруживает следующую зависимость: чем меньше продолжительность работы сотрудника в компании, тем выше число увольнений. Текучка в группе сотрудников, работающих в компании меньше 1,25 года, в 5 раз выше, чем в группе сотрудников, работающих в компании больше 6 лет.

Стаж работы в SanDisck Остались Уволились

Статистическая проверка результатов методом дерева решений с помощью P-значений

Техника случайного леса основана на модели дерева принятия решений. Если кратко, случайный лес берет случайную выборку из всего вашего набора данных и группирует эти данные в их собственное дерево решений. Чтобы построить прогноз, берутся усредненные показатели всех деревьев. Идея метода состоит в том, что самые малые предположения, собранные вместе, могут дать достоверный прогноз. Подробное введение в метод случайного леса доступно изложено в статье «Как рандомизация работает в методе случайного леса»

Ниже представлен довольно грубый пример того, как может выглядеть процесс.

В каждой вершине дерева: случайным образом выбирается небольшой набор переменных; необходимо найти переменную (и значение этой переменной), которая оптимизирует разделение «листьев».

Рисунок выше взят из статьи автора Dan Kellet на портале AnalyticBridge.com. В статье под названием «Делая науку о данных доступнее – Машинное обучение – Метод дерева» дано фантастическое описание обоих методов.

Основная причина, почему я решил познакомить вас с методами дерева, хотя сам до конца не освоил их, состоит в том, чтобы поделиться обнаруженными мною превосходными примерами практиков. Всего их два: автор первого – Lyndon Sundmark, автор второго – Richard Puzon.

• «Использование языка R для анализа поведения людей на примере оттока персонала» – Lyndon написал отличную серию статей об использовании R в анализе данных о персонале. Он разработал вымышленный набор данных и прекрасный пример использования дерева принятия решений и случайного леса для понимания текучести персонала.

• «Отток персонала. Разведочный анализ данных» – Richard Puzon предлагает другой пример использования R в анализе текучки методом дерева решений и случайного леса. Его анализ содержит пример его собственного кода на языке R.

Наконец, я хотел бы дать вам ссылку на библиотеку R – Rattle. Ruttle – это графический пользовательский интерфейс, который запускает регрессию, дерево решений и случайный лес на вашем наборе данных. Я знаю, что эти методы можно применять для прогнозирования текучести, и с помощью Rattle я могу запускать их быстро (что, в моем случае, небезопасно, но ради благой цели).

Помимо дерева решений и случайных лесов в статистике существует еще огромное количество методов, которым я хотел бы научиться, чтобы проводить эффективный анализ данных о персонале или презентовать наглядные результаты другим людям. По мере изучения и поиска дополнительных интересных материалов я буду делиться ими с вами. Надеюсь, вы будете делать то же самое. 

Аналитика как сервис

Продукт компании IBM Watson описывается как «умный сервис для анализа данных, доступный в облачном хранилище, который проводит исследование данных, автоматизирует прогнозную аналитику и строит графики без дополнительных усилий». Что делают IBM и другие подобные разработчики – создают платформы для автоматизированного использования статистических моделей, в том числе для построения прогнозных моделей.

Анализ, проводимый с помощью этих сервисов, не будет таким же идеально выстроенным и точно соответствующим вашим запросам, как если бы вы делали его самостоятельно, однако скорость и доступность результатов работы сервиса компенсируют это. Если вы хотите попробовать, IBM подготовил выборку данных и подробный гид об использовании Watson в целях исследования текучести персонала.

IBM Watson – «Сценарий использования в HR – удержание ценных сотрудников» – Набор данных (откроется excel файл)

Говоря об автоматизированных сервисах, не могу не упомянуть еще о нескольких. Ниже представлен список из пяти компаний, разработавших платформы, способные автоматически обрабатывать большинство процессов из области науки о данных. Они применяют методы, перечисленные в данной статье, а также многие другие.

В алфавитном порядке:

1. HiQ Labs
2. IBM Kenexa
3. OrgVue
4. Talent Analytics
5. Visier

Продолжая постигать науку о данных

В данной статье я хотел поделиться с вами техниками, которые помогут вам анализировать, а впоследствии и предсказывать текучесть персонала. Также я надеюсь, что приведенные мною примеры и ссылки на дополнительные ресурсы откроют для вас дорогу к дальнейшему изучению данного предмета. Мне хотелось бы, чтобы данная статья стала основой для тех, кто собирается постичь аналитику данных, и я буду очень признателен, если в комментариях к посту вы будете приводить примеры новых используемых вами методик и ссылки на полезные ресурсы. Огромное спасибо авторам всех источников и примеров, которые я собрал в статье. С нетерпением жду ваших мыслей по этой теме.

__________________________________________________________

На этом все, читайте нас в фейсбуке и телеграмме

Анализ текучести персонала – Описательные методы

Перевод статьи Analyzing Employee Turnover - Descriptive Methods. Автор статьи мой хороший знакомый - Richard Rosenow. Надеюсь, он не обидится на такое панибратство, а даже проведет вебинар у нас на сайте.
А автор перевода Екатерина Малинина. HR business partner в IT-отрасли. Эксперт в оценке, обучении, развитии талантов. Помогает менеджерам строить эффективные и надежные команды, способные переложить в программный код любую задачу бизнеса. Профиль в фейсбуке и в Линкедине
Перевод выполнен в рамках нашего проекта переводы статей по hr-аналитике на английском.
Итак

Анализ текучести персонала – Описательные методы

Текучесть персонала, как дырявое ведро

Маркетологи сравнивают привлечение новых клиентов с наполнением дырявого ведра водой. Сколько ни лей воды в такое ведро, наполнить его не удастся. Мешает либо протечка (клиенты уходят к конкурентам), либо испарение (клиенты покидают рынок).
(Подписи к рисунку с ведром)
Покупатели, которые покидают рынок
Испарение
Покупатели, которые только пришли на рынок (процент привлеченных нашей компанией)
Покупатели, которые пришли к нам от конкурентов (величина переключаемости между брендами/ компаниями)
Доля рынка
Покупатели, перешедшие к конкурентам (показатель удержания компанией)

Заменив «покупателей» на «сотрудников», получим подходящую аналогию, демонстрирующую взаимосвязь найма и «текучки» персонала. Рекрутеры наливают воду в ведро (т.е. нанимают сотрудников), а исчезает она через дыры («добровольная текучка») и испарение («вынужденная текучка»). Если мы имеем 10%ную добровольную текучку, значит, именно такое количество людей мы должны нанять, чтобы обеспечить рост бизнеса. Восполнение оттока сотрудников есть борьба за бизнес.

Что, если бы мы знали, в каких местах повреждено ведро и могли его заделать? Вместо того, чтобы терять персонал и нанимать заново, мы могли бы лучше разобраться в своих сотрудниках. Без понимания причин текучести эту проблему нельзя решить.

Методы анализа текучки персонала

Ниже я расскажу о нескольких базовых методах выявления и анализа текучки персонала в организации. В частности, я остановлюсь на описательных методах оценки текучки и промежуточных методах, которые учитывают изменения с течением времени.

Описательные методы

Подсчет показателей текучести и удержания персонала доступен любому HR-профессионалу. Это прекрасный старт для начала изучения проблемы оттока персонала. Существуют и более продвинутые мотодики описания текучки и выявления факторов, прогнозирующих ее, но начнем с наиболее простых метрик.

Показатель текучести персонала

Это оценка текучки, о которой вы слышали чаще всего. Показатель ежегодной текучки кадров определяется как число сотрудников, покинувших компанию в прошлом году, к общему числу сотрудников. Численность персонала в данном случае высчитывается как среднее от общей численности персонала в начале и в конце периода. Данный показатель может быть рассчитан не только для года, но и месяца, недели. Период, для которого исчисляется показатель, должен быть определен в названии показателя.

Надеюсь, я еще не утомил вас. На Wikihow можно найти подробное объяснение, «как высчитать текучесть персонала» (картинка как раз оттуда).

Данный показатель можно применять, например, для сравнения текучки персонала в вашей компании и в среднем по отрасли бизнеса. Существует довольно много бенчмаркинговых исследований, например, CompensationForce.com, который я использовал в таблице ниже. Однако межотраслевое сравнение может быть непоказательным, если вашей отличительной чертой в бизнесе является стратегия оборота/удержания персонала.

Перевод картинки 

2014 Добровольная текучка персонала
Все отрасли	11.0%
Банковское дело и финансы	13.3%
Здравоохранение	13.0%
Гостиничный бизнес	20.2%
Страхование	8.1%
Производство и дистрибуция	8.6%
Некоммерческие организации	11.2%
Сфера обслуживания	8.6%
Коммунальные услуги	6.9%

Определив уровень текучки персонала вашей компании, продолжайте анализ с учетом различных демографических показателей или различных направлений бизнеса. Сравнение текучки двух похожих подразделений позволит определить «болевые точки» и предложить конкретные действия в помощь менеджеру для сокращения числа увольнений. Анализ показателя в разрезе демографических данных поможет удостовериться в отсутствии трендов внутри конкретных групп персонала.

Я предлагаю данный метод, потому что он является основополагающей метрикой для изучения текучки и отправной точкой для осуществления более продвинутого анализа. Однако данный показатель отвечает на единственный вопрос: «сколько людей покинуло компанию?» Если на совещании с высшим руководством вам необходимо ответить на вопросы «кто, почему, когда и как покидает компанию?», одна единственная цифра вам не поможет.

Подсчет числового показателя не расскажет вам, кто склонен покинуть компанию, какая группа персонала, скорее всего, уйдет и на каком этапе своей работы в компании, как это предотвратить и является ли это проблемой, вообще. Например, если причиной ухода сотрудников в течение первого месяца работы является неэффективный процесс адаптации, сам по себе показатель текучки не поможет выявить это. Но я гарантирую, что анализ текучести персонала может дать гораздо больше, чем просто цифру. 

Показатель удержания персонала

Показатель удержания персонала похож на показатель текучки, но имеет дополнительное преимущество. Он учитывает потерю персонала за определенный период времени и, в дополнение, убирает «шумы» в виде сотрудников, нанятых и уволившихся за этот же период времени. В зависимости от того, что вы хотите измерить, данный показатель может значительно увеличить надежность вашего исследования. Процитируем статью SHRM «Подсчет показателя удержания персонала»:

(Число сотрудников, продолжающих работать в компании за расчетный период времени/ число сотрудников в начале расчетного периода времени)* 100

Данный показатель позволяет исследовать персонал компании отдельно от новичков. Так же, как и показатель текучки, его можно использовать в разрезе демографических данных, функций, общностей, подразделений компании.

Вы можете использовать показатель удержания персонала относительно текучки, чтобы исследовать, какое влияние на персонал оказала новая программа вовлечения, процесс объединения или определенное управленческое решение. Также данная метрика позволяет отделить ежегодные изменения в текучке от изменений численности, вызванных ростом компании. Бурный рост означает высокий отток новичков, который отразится на показателе текучки, но не проявится в показателе удержания персонала.

Промежуточные методы

Я называю эти методы промежуточными, т.к. они не оcновываются на продвинутых показателях и по своей природе остаются описательными. Однако методы скользящих средних и когортный анализ вводят переменную времени в исследование текучки, что позволяет еще качественнее раскрыть данное явление.

Метод скользящего среднего значения

Скользящее среднее значение придает новый увлекательный смысл данным. Это базовый метод сглаживания, позволяющий анализировать набор данных на протяжении времени. Метод заимствован из сферы финансов, где обычно он используется для анализа биржевых показателей.

На графике ниже представлены сырые данные о ежедневной доходности (изменчивые и сложные в интепретации), 15ти-дневная скользящая средняя и 50ти-дневная скользящая средняя. На основе ежедневных данных невозможно выявить значительные изменения в цене на протяжении всего колебательного цикла, но, если сравнить с 50ти-дневным скользящим средним, становится очевидным, что цена на акции выросла. Таблица ниже (источник: Investopedia) показывает, как посчитать 10ти-дневное скользящее среднее значение.

Применительно к текучке этот метод позволяет наблюдать ее изменение с течением времени. По моим наблюдениям, сочетание управленческих практик, традиций и психологии приводит к тому, что количество увольнений увеличивается по понедельникам и пятницам, а также в начале и в конце месяца. Люди не увольняются по средам перед днем выплаты зарплаты. Отслеживание двухнедельных (период выплаты заработной платы) или месячных скользящих средних значений позволяет сгладить потенциальные «вспышки» увольнений.

Скользящие средние помогают ответить на вопрос «изменился ли показатель текучести?» Во время массовых увольнений или изменений в бизнесе этот показатель позволит отслеживать уровень добровольной текучести. А в сочетании со статистическими методами управления процессами данный показатель поможет выявить увеличение текучки в одном подразделении по сравнению с другими вследствие изменения бизнес-процессов.

Примечание: занимательная статья двух превосходных исследователей текучести персонала Charlie Trevor и Anthony Nyberg о корреляции между увольнениями и всплесками добровольной текучести.

Для данного метода важен размер выборки. Если в вашей организации или отдельном ее подразделении количество увольнений невелико, то метод скользящего среднего значения не будет показателен. Размер выборки принципиален не только для метода скользящего среднего, но, в целом, и для всех показателей в данном обзоре. Метод скользящего среднего значения – важный шаг на пути к изучению причин текучести персонала, но стоит рассмотреть и другие техники.

Когортный анализ

Техника когортного анализа чаще всего используется в маркетинге для изучения оттока клиентов. Как маркетологи хотят знать, когда клиент перестанет пользоваться их услугами, так и HR’ы хотят знать, когда сотрудник решит покинуть компанию. Сегментируя сотрудников в группы (когорты) по дате начала работы в компании, вы можете отслеживать показатель удержания персонала внутри каждой когорты. Исследуя группы вместе, можно наблюдать сходство с покупательским жизненным циклом.

На рисунке выше (источник – Kissmetrics blog) замените «покупатель» на «сотрудник» и получите те же выводы, что и маркетолог. В когорте «сотрудников», нанятых 13 января, по горизонтали можно наблюдать число сотрудников, удерживаемых из месяца в месяц. Так же, как и показатель удержания персонала, анализ групп исключает некоторые шумы, которые присутствуют в смешанных выборках сотрудников.

Усредняя набор данных в каждой колонке, мы можем предполагать (довольно грубо) примерное значение показателя удержания персонала для каждой когорты. Если бы в таблице шла речь о сотрудниках, и мы бы наняли в конкретном месяце 100 человек, то при отсутствии каких-либо изменений в процессах примерно 80% из этих ста человек продолжали бы работать с нами 9 полных месяцев (крайняя правая ячейка внизу таблицы). Я подчеркиваю, что эти цифры лишь примерны, потому что этот вид анализа в большей степени эвристический, чем обоснованный статистическими исследованиями. Тем не менее, он более надежен, чем предположение или интуиция. 

Корень когортного анализа в том, что этап жизненного цикла сотрудника отражает вероятность его ухода. Исследования подтвердили, что вероятность ухода «новичков» (не обязательно молодых сотрудников) отличается от вероятности ухода «старичков» (Hom et al 2008). Вполне здравое утверждение, однако мы забываем о нем, когда используем агрегированные базовые метрики, такие как показатель текучести или показатель удержания персонала, в целях построения прогнозов. Метод когортного анализа позволяет предполагать вероятность ухода сотрудника из компании в зависимости от того, в каком месте жизненного цикла работы в компании этот сотрудник находится в данный момент.

В то время, как когортный анализ приближает нас к пониманию некоторых факторов, лежащих в основе текучести персонала, многое остаётся нераскрытым. Для начала, если учет ваших кадровых данных велся не вполне добросовестно, использовать их в целях анализа за большой промежуток времени будет проблематично. Чтобы изучить 9 выборок текучести за первый месяц, требуется сбор и ведение данных в течение 9 месяцев. Только за 9 месяцев число усредняемых выборок неуклонно снижается с каждым месяцем, пока (рисунок выше) у вас не остается одна единственная выборка, на основе которой вы вынуждены судить (с большой долей допущений) о поведении сотрудников в 9 месяце.

Несмотря на то, что данная оценка не может предсказать уход конкретного сотрудника, вы можете использовать ее при прогнозировании движения целых групп кадровых ресурсов. Когортный анализ, например, поможет оценить, сколько новичков дойдет до конца своего испытательного срока. Дополнительную информацию или примеры когортного анализа можно изучить на CohortAnalysis.com.

Заключение

Я надеюсь, мне удалось раскрыть несколько базовых техник изучения текучести персонала. Новичкам в этой теме я предлагаю поделиться обратной связью, полезен ли материал данной статьи. Я хотел бы рассказать еще очень многое по теме текучести, но объем информации достаточно велик и, думаю, будет лучше разбить его на несколько частей. Ждите на следующей неделе статью о продвинутых методах. Я собираюсь рассказать о логистической регрессии и анализе выживаемости, которые позволят вам прогнозировать текучесть.

- Richard Rosenow