Менеджмент / Управление персоналом

К увольнению готовы

К увольнению готовы

30 июля 2018|Сергей Холкин

Нежелательная текучесть кадров (то есть непрогнозируемые увольнения по собственному желанию) — острая проблема для всех индустрий от торговли до ИТ. На квалифицированных специалистов идет настоящая охота, а полная стоимость замены работника может составлять до 400% от его годового дохода. Особенно дорого обходится потеря недавно нанятых и наиболее эффективных сотрудников, а также работников с высоким потенциалом или уникальным набором знаний.

Обычно между моментом принятия решения об увольнении и увольнением проходит какое-то время (как правило, два-три месяца). В этот период с сотрудником, попавшим в зону риска, еще можно работать, то есть влиять на его решение.

Помочь отследить этот важный момент может предиктивная аналитика, в частности, прогнозирование увольнений работников на основе цифровой самообучающейся модели. Прогнозирование становится возможным с накоплением большого количества данных об однородной группе персонала и использованием технологий машинного обучения.

Задача по прогнозированию увольнений схожа с другими задачами из области предиктивной аналитики — прогнозированием оттока клиентов или неисправностей в работе оборудования. Вот шесть рекомендаций, которые помогут вам начать работу с цифровым прогнозированием увольнений.

Не теряйте данные об уволившихся и собиравшихся уволиться. Важно вести подробные профили таких специалистов (с описанием причин увольнения и событий, им предшествовавших, в том числе на основе интервью с их коллегами), а также профили тех, кто намеревался уволиться, но не уволился.

Сравнение профилей тех, кто уволился, с профилями тех, кто работает, позволяет выявить похожих на них (по своим социально-демографическим и производственным характеристикам) действующих сотрудников и обратить на них пристальное внимание. А профили тех, кто хотел уволиться, но решил остаться, дадут возможность выработать рекомендации для HR по удержанию сотрудников, оказавшихся в зоне риска.

Наладьте систему сбора данных о сотрудниках. Основное сырье для предиктивных моделей — данные. Кроме основных HR-систем, в которых хранятся все данные о сотрудниках (от персональных данных до информации об обучении и вознаграждениях), обратите внимание на источники, не связанные напрямую c HR-функцией. Это могут быть системы управления финансами, хранящие данные о финансовом состоянии бизнес-подразделений, CRM, электронная почта, системы управления доступом в офис. Чем разнообразнее источники, тем точнее предсказательная способность модели.

Для старта аналитики необходимо, чтобы данные из этих систем были доступны за значительный период (два-три года). Принципиально важно и качество данных: собирайте их из месяца в месяц и регулярно проверяйте их консистентность (согласованность, целостность, внутреннюю непротиворечивость). Много непроверенных данных, собранных в системе, не дадут возможности вырабатывать работающие модели.

Сформулируйте гипотезы о причинах и симптомах увольнений. Первоначальные вводные для предиктивной модели можно сформулировать так.

1. Между решением сотрудника об увольнении и самим увольнением обычно проходит два-три месяца.

2. У сотрудников на момент принятия решения об уходе из компании прослеживаются общие черты, паттерны в поведении.

Пример из нашей практики. Крупная международная ИТ-компания была обеспокоена проблемой нежелательных увольнений ключевых специалистов. Первый этап работы по прогнозированию увольнений был построен следующим образом. С нашей помощью HR-менеджеры сформулировали первоначальные гипотезы о причинах и симптомах увольнений (на основе экспертного опыта и результатов интервью с HR и руководителями бизнес-подразделений). Для проверки гипотез все работники компании были поделены на несколько фокус-групп по основным специальностям: разработчики, архитекторы систем, тестировщики, аналитики. Каждую гипотезу проверили по базам уволившихся, тех, кто намеревался уволиться, но не ушел, а также тех, кто подает заявление об уходе. В результате появился список гипотез увольнений, который постоянно дополнялся, уточнялся и перепроверялся. По аналогичной схеме нужно действовать и в других отраслях.

Дифференцируйте симптомы и причины увольнений при формировании гипотез. События, после которых происходит увольнение, — это не всегда их причина. Во многих случаях они лишь симптом подготовки к увольнению. При этом четкое знание симптомов помогает искать причины.

HR-специалисты одного из банков обратили внимание на исследование аналитической организации, в котором утверждалось, что после летнего отпуска у многих сотрудников появляется желание сменить место работы. (Причем речь шла, о «белых» компаниях, где нет необходимости перед увольнением отгуливать отпуск, чтобы потом не было проблем с получением отпускных.)

Однако анализ данных по увольнениям показал, что работник намеревался уволиться, но пришел к этому решению до отпуска, либо брал отпуск, чтобы посвятить время обучению и поиску новой работы. Дополнительные интервью показали, что во многих случаях взятие отпусков было связано с подготовкой к увольнению — то есть являлось его симптомом. Выявление этой закономерности позволило сформулировать новую гипотезу: перед увольнением сотрудники чаще ходят в отпуск и продолжительность отпуска дольше.

Другой пример. FMCG-компания с широкой региональной сетью сталкивалась с нежелательными увольнениями менеджеров по привлечению поставщиков. Сотрудники уходили к конкурентам без видимых причин на аналогичные зарплаты.

Ответ дал анализ данных по статистике увольнений. Оказалось, что большинство увольнений приходилось на сотрудников небольших офисов в регионах России (в которых работает не больше четырех человек), а кураторы продаж работали удаленно в региональных центрах.

Это было симптомом увольнений. Причина же состояла в том, что эти менеджеры по продажам во многом были предоставлены сами себе, вынуждены были решать многочисленные проблемы без оперативного общения с руководителем, часто не имея необходимых ресурсов. План продаж устанавливался в зависимости от численности населения на определенной территории, но без учета плотности населения и количества ресурсов, необходимых для ее охвата. Подобное непонимание географических особенностей и приводило к нежелательной текучести.

В компании изменили нормативы выработки в отдельных регионах, установили новые регламенты коммуникации с руководством и функциональными службами, изменили структуру региональных офисов, и нежелательная текучесть заметно сократилась.

Выделите конкретные факторы нежелательных увольнений и их опасные сочетания. Фактор — характеристика, которая точно связана с увольнением и может выступать в качестве ее причины.

Например, сотрудники чаще увольняются из бизнес-юнитов, численность которых падает. Это и есть фактор нежелательного увольнения. Возможно, причина увольнения сотрудников в том, что компания постепенно сокращает это бизнес-направление и сотрудник знает, что новых интересных проектов с его специализацией в компании больше не будет.

В ИТ-компании из примера выше выявили шесть факторов увольнения программистов:

сотрудник брал больше дней отпуска, чем в среднем за последний год;

количество проектов у сотрудника снизилось по сравнению со средним за год;

средняя численность бизнес-юнита сократилась в сравнении со средней численностью за год;

расходы на командировки в бизнес-юните превысили средние расходы на командировки в других бизнес-юнитах, где работают коллеги с аналогичными специализациями, позицией и городом;

среднее рабочее время увеличилось по сравнению со средним за последний год;

совокупный доход сотрудника в последние три месяца уменьшился по сравнению со средним доходом за год.

По нашему опыту очень редко можно выделить несколько «сильных» факторов, которые объясняют большую часть увольнений. Как правило, значимых факторов много и они «играют» в комбинации друг с другом. Вот пример по одному сотруднику.

1. В последние три месяца средняя численность бизнес-юнита, в котором он работает, сократилась в сравнении со средней численностью за год.

2. Одновременно среднее рабочее время сотрудника в последние три месяца больше, чем в среднем за последний год.

3. Кроме того, сотрудник работает в текущей позиции дольше, чем в среднем его коллеги с аналогичными ролью, специализацией и в том же городе.

4. Вместе с тем совокупный доход сотрудника ниже, чем доход сотрудников в аналогичной роли и городе.

5. Доход сотрудника не менялся в последние три месяца.

6. Кроме того, количество вакансий, открытых внутри компании, с ролью и специализацией сотрудника меньше, чем для других ролей и специализаций.

Разумеется, такой список не нечто раз и навсегда данное: список факторов должен корректироваться и дополняться с каждой новой итерацией выработки и проверки гипотез. Отметим, что для каждой компании характерна своя симптоматика увольнений и набор факторов, которые влияют на решение сотрудника покинуть компанию.

Сформируйте стратегию профилактики нежелательных увольнений и предложите HR-специалистам варианты решений. Результат работы предиктивной модели — индивидуальный прогноз для каждого сотрудника (вероятность того, что сотрудник уволится по собственной инициативе на горизонте, например, трех месяцев), а также выявление ключевых факторов нежелательной текучести персонала.

В ИТ-компании из первого кейса предиктивная аналитика помогает достаточно точно выявлять типичные профили увольняющихся и их паттернов поведения, а также добиться качества прогноза с точностью до 0,8, где 0,5 — это результат «случайного гадания», а 1,0 — «точное попадание». Благодаря самообучению такие предиктивные модели учатся распознавать симптомы все лучше и лучше. В компании из кейса модель применяется полгода, и уже сейчас эффект от ее применения выразился в снижении нежелательной текучести квалифицированных специалистов почти на 50%. В сочетании с другими элементами системы управления текучестью персонала использование предиктивной модели дало возможность достигнуть экономического эффекта в приросте EBITDA на 5% по компании.

Использование предиктивных моделей помогает скорректировать HR-стратегию компании, принимать управленческие решения не только на основе экспертного мнения, но и на основе данных, а также сосредоточить усилия по мотивации и удержанию на узкой группе работников с высоким риском увольнения. С помощью собранной информации можно принимать и дальнейшие решения о том, стоит ли удерживать каждого конкретного сотрудника. Достаточно лишь проанализировать его эффективность.

Об авторе. Сергей Холкин — директор программ аналитики дивизиона HR-сервисов компании IBS.

https://hbr-russia.ru/management/upravlenie-personalom/776920

2018-07-30T08:44:07.000+03:00

Mon, 30 Jul 2018 17:45:03 GMT

К увольнению готовы

Как с помощью больших данных контролировать текучесть персонала и удерживать ценных сотрудников

Менеджмент / Управление персоналом

https://cdn.hbr-russia.ru/image/2018/5v/17z94g/original-1kzw.jpeg

Harvard Business Review – РоссияHarvard Business Review – Россия



Harvard Business Review – РоссияHarvard Business Review – Россия