В последнее время растёт интерес к использованию аналитического потенциала искусственного интеллекта для решения проблемы текучки кадров на основе добровольного принятия решений сотрудниками. Такое пробуждение внимания к самой проблеме вызвано насущной потребностью в эффективных стратегиях удержания ключевых опытных сотрудников в сочетании со способностью машинного обучения выявлять с возрастающей точностью конкретных работников, которые планируют покинуть организацию.
Выявление риска отсева требует расширенного распознавания образов при исследовании массива переменных-предикторов. Достижения в области машинного обучения, которые включают в себя возможность обработки больших объёмов неструктурированных данных, могут привести к характеристике эмоциональной активности сотрудников, например, через их посты в социальных сетях. Задача выявления сотрудников, подверженных стремлению к переходу в другую организацию, похожа на алгоритмы прогнозирования с целью выявления студентов, подверженных риску отчисления по академической неуспеваемости. Такие ситуационные модели уже внедряются в некоторых университетах и способны с высокой долей вероятности выявить таких абитуриентов ещё на ранних этапах процесса зачисления.
Эта конструкция подчёркивает, что раннее выявление работников из «группы риска», а также постоянное вмешательство могут быть ключом к удержанию нужных сотрудников. Влияние увольнения сотрудников следует рассматривать с целостной точки зрения, включая финансовую составляющую, перспективу развития и будущего продвижения по карьерной лестнице. Непрерывное вмешательство может принимать различные формы, например, дополнительное обучение за счёт компании и повышение зарплаты/выплата премиальных. Сегодня менеджеры по персоналу хотят обладать способностью:
• выявить сотрудников, готовящихся уйти;
• выявлять сотрудников, занимающихся антиорганизационным поведением (например, мошенничеством или подлогом);
• обнаруживать сотрудников с низкой мотивацией, при этом находить альтернативные способы воздействия на них;
• объединять сотрудников в группы со схожими характеристиками;
• прогнозировать вероятные результаты производительности работы сотрудников;
• разрабатывать и внедрять оптимальные стратегии найма персонала;
• подготовить организационные планы преемственности.
Согласно недавним исследованиям, когда вознаграждение, служебная аттестация, продвижение по службе, а также программы обучения и развития благожелательно действуют на сотрудников и отражают внутренние и внешние аспекты удовлетворённости карьерой, то вероятность того, что работники уволятся, снижается в разы. Баланс между работой и личной жизнью в течение некоторого времени был одним из основных факторов в ортодоксии HR-менеджеров. Традиционно баланс между работой и личной жизнью характеризуется количеством времени, затрачиваемого на работу, по сравнению с количеством времени, затрачиваемым на другие занятия (например, на семью). Такое определение оставляет желать лучшего, поскольку понятие качества неочевидно (т. е. качество-время). Это как раз та область, в которой может применяться интеллектуальный анализ данных. В частности, с помощью такой аналитики можно разработать рабочие стратегии, чтобы освободить сотрудников от монотонных и повторяющихся задач, тем самым предоставляя больше возможностей для самореализации и повышения вовлеченности. Эти изменения, в свою очередь, могут привести к улучшению баланса между работой и личной жизнью сотрудников.
Недавние пандемийные ограничения ещё больше усугубили естественную напряжённость, связанную с конструкцией баланса между работой и личной жизнью. Сегодня более распространённой темой является интеграция работы и личной жизни, которая создаёт синергию между различными жизненными конструкциями, такими как работа, вера, семья, здоровье, общество и отдых. Этот подход делает акцент на плавных поворотах, а не на жёстких границах между различными составляющими жизни.
Машинное обучение — это наука об обнаружении и передаче значимых закономерностей в данных и поддержке разработки действенных планов. Сегодня технологии Искусственного Интеллекта (ИИ) и машинного обучения находит все более широкое применение в HR-сообществе. Двумя наиболее популярными моделями в этом отношении являются нейронные сети (NN - neural nets) и алгоритм поддержки принятия решений, который принято называть «древо решений» (DT - decision trees). Нейронные сети нашли широкое применение в исследованиях интеллектуального анализа данных о сотрудниках. На самом деле существует семейство алгоритмов на основе DT, которые включают алгоритмы классификации и регрессии (CART), случайного леса (RFT) и повышения экстремального градиента (XGB). Например, RFT использует стратегию архитектуры, которая объединяет более слабых работников с более сильными, что представляет собой техническое улучшение по сравнению с базовой моделью. Семейство этих алгоритмов ситуационного моделирования широко используется в анализе человеческих ресурсов.
В частности, большинство алгоритмов моделирования на основе машинного обучения, показали следующее: плохая карьерная адаптация, отсутствие наблюдаемой перспективы продвижения по службе и неудовлетворённость карьерой были в значительной степени связаны с намерением перейти на другую работу. Повышение заработной платы или доплат за переработки также играет роль в решении сотрудника остаться или покинуть организацию.
Сегодня, всё чаще компенсационные доплаты за результат используются непосредственно не только как метод удержания, но и как средство донесения до работника того, что они являются ключевыми сотрудниками для развития/роста организации. Возраст работника также влияет на принятие решения о смене работодателя. По мере старения сотрудников вероятность того, что они покинут организацию, снижается. Работники, постоянно занятые сверхурочно, как правило, более склонны увольняться из-за дисбаланса между работой и личной жизнью и стресса на работе.
Нездоровые отношения в рабочей среде, хотя и не столь высокая мотивация для перехода, но, предполагает связь с решением об увольнении. Недавнее исследование на эту тему показало, что конфликт в отношениях отрицательно связан с выполнением задач, контекстуальной производительностью и намерением добровольного увольнения среди персонала (причём со всех сторон конфликта).
Приведённые выше примеры иллюстрируют, как можно использовать машинное обучение для выявления сотрудников, подверженных риску подать заявление об уходе. Обнаружение работников, которые рассматривают возможность ухода, — это одна из возможностей использования искусственного интеллекта. А вот принятие мер по снижению текучести кадров — это ещё одна важнейшая функция. Следующим шагом, за процессом обнаружения потенциальных увольняющихся, является разработка стратегий раннего вмешательства, которые могут смягчить решительность в желании сотрудника уйти. Это более сложная задача, так как на этапе пост-машинного обучения часто требуется значительный человеческий опыт в качестве средства для определения конкретных правил и соответствующих вмешательств.
В маркетинге машинное обучение всё чаще используется в области управления взаимоотношениями с клиентами для определения конкретных действий, которые могут превратить непостоянного клиента в человека, лояльного к организации. Как правило, цель этих систем поддержки принятия решений, после интеллектуального анализа данных, в контексте «оттока клиентов», состоит в том, чтобы определить действия, которые оптимизируют шансы на удержание. Обычно для каждого целесообразного действия рассчитывается чистая прибыль и для реализации выбирается вариант с её наибольшим значением. Классическим примером в этом отношении является повышение уровня обслуживания клиентов, что обычно очень мало влияет на затраты.
В приложениях автоматизации процессов кадровых служб более подходящей целью является минимизация общих затрат. Это связано с тем, что гораздо сложнее связать сотрудника или класс сотрудников с прибылью. Дополнительным преимуществом затратного подхода является то, что его можно применять к некоммерческим организациям. В основном, две составляющих для анализа таких затрат связаны с заменой или сохранением конкретного сотрудника. В своей простейшей форме стоящая задача оказывается проблемой неограниченной минимизации затрат, где компромисс заключается в том, чтобы сбалансировать затраты на замещение с затратами на удержание. Обычно по мере роста числа вмешательств затраты на замещение снижаются, а затраты на удержание увеличиваются.
Атрибуты модели можно охарактеризовать как стабильные или гибкие. Стабильные атрибуты — это атрибуты, которые нельзя изменить любой разумной ценой (например, пол), в то время как гибкие атрибуты можно изменить (например, повышение заработной платы). Для процесса дерева решений по обнаружению знаний, требующего действия, требуется по крайней мере один гибкий атрибут.
Этот подход к моделированию может определить набор вмешательств, основанных на характеристиках и ситуации для данного сотрудника. Например, если модель определила, что одним из основных факторов отнесения работника к группе риска является чрезмерный стресс на работе, то можно было бы инициировать профилактическое консультирование наряду со снижением рабочей нагрузки (например, сверхурочной работы). Чрезмерный стресс на работе может быть результатом многих факторов, в том числе непредсказуемого графика, чрезмерной сверхурочной работы, большой рабочей нагрузки и отсутствия гибкости на рабочем месте.
Вовлеченность сотрудников — ещё один фактор, который может повлиять на желание работника сменить работу. Исторически сложилось так, что вовлеченность измерялась постфактум с помощью ежегодных опросов. Как и стресс на работе, вовлеченность связана с различными конструктами, включая полномочия по принятию решений для выполнения поставленных задач, обучение для улучшения навыков и возможностей, а также способность решать проблемы клиентов.
Растущее количество данных свидетельствует о том, что немонетарные факторы потенциально важны для мотивации и производительности и, в конечном счете, как источник смысла деятельности. Автономия в принятии решений, чувство компетентности, чувство родства и благодеяния — четыре основных компонента немонетарных факторов, которые способствуют благополучию сотрудников и удовлетворённости работой.
Более того, некоторые сотрудники продемонстрировали склонность к более низкой оплате труда в обмен на более содержательную работу. Полезным примером могут служить переходы квалифицированных топ-менеджеров на работу в некоммерческие организации. Измерение вовлеченности сотрудников практически в реальном времени оказывается важной задачей в процессе удержания. Теперь можно собирать и обрабатывать множество переходных данных о сотрудниках, используя самые современные технологии.
Выявление сотрудников с активной индивидуальностью также полезно в процессе удержания. Недавние результаты подтверждают предположение о том, что активные сотрудники несут с собой более высокий риск увольнения. Один из подходов к работе с проактивными сотрудниками — высокий уровень вовлеченности в работу. Предоставление организацией расширенных карьерных возможностей должно сделать пребывание для такого человека в штате компании более привлекательным, чем уход.
Результаты анализа машинного обучения с использованием деревьев повышения градиента и нейронных сетей репрезентативной базы данных сотрудников выдают уровни точности классификации порядка 90%. Этот процесс не только наращивает организационный потенциал отдела по кадровому делопроизводству и HR-специалистов, но и позволяет измерять общий уровень "здоровья" организации, а оповещения об угрожающих маркерах могут генерироваться практически в режиме реального времени, что очень важно при работе с сотрудниками, подверженными риску добровольного увольнения.
