DEYNEKINA HR&BA
VK
Youtube
Telegram
contact@deynekina.ru
+7-916-571-91-94
deynekina hr&ba

Разбор проектов по HR-аналитике
премии HR-бренд 2020.
Часть 3

В 2020 году в премии HR-бренд приняли участие 190 проектов. 10 из них отнесены нами к HR-аналитике. Предлагаем рассмотреть некоторые проекты и почерпнуть идеи для внедрения в вашей компании.

В третьей части мы разберем проекты по разработке сервиса прогнозирования увольнений, созданию
HR-платформы для визуализации отчетности о персонале и др.
7. Проект «Сервис прогнозирования увольнений» компании Ростелеком (крупнейший в России интегрированный провайдер цифровых услуг и решений).
Описание проекта
Проект направлен на удержание ценных для компании сотрудников и экономию на затратах на подбор, адаптацию и обучение новых сотрудников с помощью аналитической модели по прогнозированию вероятности увольнения сотрудников.

С помощью алгоритмов определяется вероятность увольнения сотрудника от 0% до 100%, прогноз периода увольнения и ключевые факторы риска для каждого сотрудника.

Ежегодно 9% сотрудников покидали компанию по собственному желанию, что составляло более 50% всех увольнений. На замену персонала компания ежегодно тратила 3,4 миллиарда рублей.
Результаты проекта
  1. 98% точность прогноза позволяет удержать сотрудника либо заранее начать искать ему замену;
  2. в 2020 год компания смогла удержать около 70% наиболее ценных сотрудников, попавших в зону риска;
  3. экономический эффект от внедрения - 1,6 миллиарда рублей.
Анализ методологии проекта
В этот раз начнем с разбора методологии, чтобы потом можно было проанализировать результаты. Разберем, как могла быть создана прогнозная модель текучести и какие факторы лежат в ее основе.

Компания взяла необходимые данные из различных источников: штатное расписание, списки уволенных и принятых сотрудников, пропускная система, учет рабочего времени, почтовая переписка и динамика общения, социально-демографические характеристики; зарплата и карьерные перемещения и тд.

В зависимости от источников объем данных составлял от 5 до 120 тысяч строк в Excel. Период измерения: квартал.

На основе собранных данных были сформированы факторы для создания предиктивной модели:
  • отклонение стажа в компании от среднего стажа на предыдущем месте работы;
  • среднеквадратичное отклонение возраста в подразделении;
  • разница в возрасте с руководителем;
  • блок, к которому относится сотрудник;
  • факт смена руководителя;
  • динамика продолжительности нахождения в офисе;
  • стаж работы в компании;
  • пол;
  • категория образования;
  • статус назначения;
  • количество штатных единиц - динамика;
  • грейд и тд.
Для формирования модели были использованы следующие алгоритмы: Ubuntu, Python, библиотеки SHAP – интерпретация моделей и выявление изменений в независимых переменных; XGBoost – дерево решений; Scikit-learn – построение регрессионных моделей. Результаты прогноза по каждому сотруднику выводятся на BI-платформе Qlik.

Теперь вынуждена немного погрузить вас в основы машинного обучения. Для формирования прогнозных моделей необходимо сформировать две выборки. Первая - учебная выборка, на которой алгоритм учится и рассчитывать необходимые коэффициенты для создания прогнозов. Вторая - тестовая выборка, на которой проверяются точность созданной модели.

При работе с предиктивными моделями есть риск "переобучить" модель на учебной выборке, то есть включить большое количество факторов и заставить модель подстроиться под текущие данные. Тем самым сделать точность очень высокой - более 70%. Но если проверить получившуюся модель на второй, тестовой выборке, точность прогнозирования модели может упасть.

Выныриваем и, надеюсь, вы еще с нами:)

В результате созданная модель формирует по каждому сотруднику ключевые факторы, влияющие на риск его увольнения. Факторы для всех сотрудников одинаковые, но их важность будет для каждого разная.

Может показаться, что применение прогнозных моделей текучести с точностью выше 70% исключает любые сомнения в их ошибках. Однако, напоминаю вам, что модель строится и измеряется на выборке и потом переносится на всех остальных сотрудников. После такого переноса точность может значительно снизиться.

Давайте разберем на примере, как может работать такая модель и к каким результатам привести.

Представим, что модель сообщает руководителю, что его подчиненный Иванов через 3 месяца уволится с точностью 84%. Сотрудник является ценным для компании. Руководитель видит факторы, которые больше всего влияют на вероятность его увольнения. Например, сотрудник стал меньше времени проводить в офисе. Кроме того, сотрудник давно не проходил никакого обучения из-за загруженности на рабочем месте. Эти два фактора, по мнению модели, повышают риск его увольнения.

Чтобы удержать сотрудника, руководитель решил обратить на него больше внимания, а также отправить на обучение.

Внимание руководителя может повысить лояльность сотрудника, что само по себе прекрасно. Но действительно ли был риск реального увольнения? Действительно ли руководитель смог удержать сотрудника и тем самым сэкономил компании денег на замене персонала?

При применении подобных моделей срабатывает "эффект наблюдателя" - куда направлено внимание, там показатели улучшаются. Как бы сложилась ситуация с сотрудниками с высоким риском увольнения, если бы на них руководители не обратили внимание, сказать невозможно. Оценить вклад прогнозной модели в удержание ценных сотрудников мог бы коэффициент нежелательной текучести, о котором мы поговорим в разделе, посвященном анализу результатов.
Анализ результатов
Анализ ведется на основе имеющейся информации в описании проекта.
1. Компания оценивает эффективность модели с помощью доли ключевых сотрудников, попавших в зону риска и оставшихся работать в компании. 70% сотрудников - это отличный результат, но является ли это измерение объективным?

Для объективной оценки не хватает значения коэффициента нежелательной текучести до и после внедрения модели. Нежелательная текучесть - это увольнение ценных сотрудников, о котором компания сожалеет. Эти данные рассчитываются на фактическом уходе сотрудника из компании, а не на вероятности увольнения. Если этот коэффициент был бы известен, мы могли бы сделать вывод эффективности модели и оказываемом влиянии на удержание ключевых сотрудников.

2. Следующим встает вопрос о причинах увольнения оставшихся 30% сотрудников. Сколько процентов из этих увольнений не было спрогнозировано, то есть модель не включила их в зону риска, а они все равно уволились? Эта информация позволила бы дополнительно проверить факторы и повысить качество модели.

3. Вызывает интерес и такой еще разрез :) Компания рассчитала экономический эффект внедренной модели, который составил 1,6 миллиарда рублей. Скорее всего, это экономия на замене сотрудников: стоимости подбора, адаптации, обучения и потерь компании за время выхода сотрудников на целевую производительность. Эти цифры предполагают, что каждый сотрудник, который попал в зону риска, по мнению данной модели, действительно уволился бы, если бы не действия руководителей по их удержанию.

Как было бы корректнее рассчитать стоимость нежелательной текучести до внедрения модели и сравнить ее со стоимостью после внедрения. Разница и будет являться действительной экономией компании.
Хотите так же?
Реализовать такой проект можно, обладая знаниями статистики и машинного обучения и языков программирования R или Python. Подходящие библиотеки Python, используемые в проекте, были указаны в разделе анализа методологии проекта.

В целом, подобные проекты могут помочь крупным компаниям с высокой степенью оцифровки данных в проверке гипотез по HR-аналитике и формировании прогнозов различных показателей. Однако, прогнозные алгоритмы текучести обычно не бывают эффективными из-за ограничений, отмеченных нами выше. Рекомендуем применять подобные модели для прогнозирования производительности труда, стажа работы сотрудника в компании, а также создания рекомендательных систем для обучения сотрудника.
8. Проект «Digital HR STRATEGY» компании Дамате (российский сельскохозяйственный холдинг).
Описание проекта
Цель проекта – автоматизация HR-процессов. В онлайн-формат переведены:
1. оценки кандидатов с помощью тестирования;

2. процесс обучения;

3. оценка кадрового резерва на основе тестов;

4. дашборды по мотивации: производительность линий, дисциплина по каждому сотруднику отдельно, по средним значениям цехам;

5. расчет системы премирования для сотрудников отдела продаж. Руководители имеют доступ к информации о подчиненных, каждый сотрудник видит свои результаты.
Результаты проекта
  • «оценка» кандидата осуществляется за 1 день;
  • предложение о работе формируется за 1 день;
  • сроки закрытия вакансии сократились в 2,5 раза (с 10 до 4 дней);
  • закрытие зарплаты с 5 до 2 дней;
  • производительность труда выросла на 11%;
  • темпы роста производительности труда на 2% опережают темпы роста средней заработной платы;
  • появилась возможность получения зарплаты на 20% выше рынка, снижение уровня годовой текучести на 6%, 97% лояльных сотрудников.
Анализ результатов
Я рассматриваю этот проект, так как HR-автоматизацию часто включают в тему аналитики. Если правильно построена система премирования и производственный процесс, то компании не составит труда предложить сотрудникам зарплату выше рынка, так как любое превышение зарплаты над медианой должно быть обеспечено экстра-результатами сотрудников.

Единственное, что смущает - это превышение темпов роста производительности труда над ростом зарплаты на 2%, а не на 2 процентных пункта. В остальном к проекту добавить нечего – многие процессы рутинны и требуют автоматизации, что в свою очередь требует ресурсов.
Хотите так же?
Реализовать такой проект можно, обладая бюджетом на автоматизацию HR-процессов.
9. Проект «Держи руку на пульсе» компании Сбербанк.
Описание проекта
Проект направлен на создание HR-платформы для визуализации отчетности о персонале:
  • движение персонала,
  • подбор,
  • оценка и эффективность,
  • обучение,
  • управление рабочим временем и отсутствиями,
  • расходы на оплату труда и др.
Проект отличается от BI-системы тем, что в платформу встроены рекомендации по HR-процессам на основе предиктивной аналитики. Руководителю заблаговременно получает нужную информацию и может заниматься превентивными мероприятиями.
Результаты проекта
  1. NPS по предоставлению управленческой HR-отчетности – 95,6% (на 5,6% выше целевого значения);
  2. увеличение результативности ИТ-команд на 10 процентных пунктов за 4,5 месяца;
  3. снижение показателей текучести за год — с 2,6% до 1,6%;
  4. снижение расхода ФОТ на 700 млн. рублей за счет уменьшения количества сотрудников с превышением лимита отпуска и на упраздненных позициях.
Хотите так же?
Если не учитывать рекомендаций системы, то визуализировать отчетность возможно с помощью любого BI-инструмента: Power BI, Qlik, Tableau. Любой руководитель сможет настраивать отчетность по разным фильтрам.

Кроме того, систему рекомендаций вы можете встроить, если добавите к информации целевые значения (по накопленным данным или на основе бенчмаркинговых отчетов).
10. Проект «Стратегическое планирование персонала» компании Северсталь (победитель премии HR-бренд 2020)
Описание проекта
Проект позволил выбрать приоритетные для реализации стратегии компании компетенции и прогнозировать их спрос на 5-летнем горизонте. Реализация проекта осуществлена с помощью компании PWC и осуществлялась в несколько этапов:
1. определение стратегии;

2. прогноз основных изменений спроса на ресурсы и компетенции в 2020-2023 годах;

3. анализ предложений по закрытию потребности в недостающих ресурсах/компетенциях из внутренних и внешних ресурсов;

4. выбор оптимального закрытия разрывов в компетенциях;

5. расчет стоимости привлечения компетенций;

6. формирование планов действий.
Результаты проекта
1. Сформирован долгосрочный прогноз потребности в компетенциях

2. Разработаны планы действий, позволяющие сократить разрывы в ключевых компетенциях.
Анализ результатов
Подобные проекты реализуют в отраслях, испытывающих недостаток в персонале на средне- и долгосрочном периодах. Проект сам по себе полезен, но полноценно отнести его к HR-аналитике я не могу, так тут мало именно аналитических методов работы с данными.
Хотите так же?
Чтобы самостоятельно выполнить подобный проект вам необходимо:

1. построить среднесрочный прогноз в компетенциях на 3 года (на этом этапе большая часть компаний отпадет, так как горизонт планирования у них до 1 года);

2. оценить текущие компетенции сотрудников;

3. определить разрыв на основе прогноза текучести, несоответствия компетенций текущей команды и потребности в дополнительных ресурсах;

4. разработать планы действий:
  • кого будете удерживать;
  • кого развивать;
  • кого покупать на рынке труда;
  • кого переводить из других подразделений.