Найти в Дзене
Андрей Котосин

Революция в HR: алгоритм знает, кто уволится завтра

Недавно мы посетили «Сбербанк Акселератор» — мероприятие, посвященное автоматизации и цифровизации бизнеса в Ставропольском крае. Свои доклады представили ведущие digital-компании региона, а участники предлагали решения для реальных задач крупных агрохолдингов, промышленных и оптовых предприятий. Особенно нас впечатлил кейс, реализованный для издательства «Экспо». В штате компании работает более 5000 человек, поэтому вопрос удержания кадров стоит крайне остро. Чтобы оптимизировать работу HR-отдела, компания провела смелый эксперимент: заказала разработку ПО для прогнозирования оттока персонала. Суть решения
ML-модель (машинное обучение) анализирует массив данных о текущих и уже уволившихся сотрудниках: активность в рабочих сетях, режим работы, KPI и другие параметры. На основе этого алгоритм вычисляет вероятность ухода конкретного специалиста. Результаты
Итоги оказались фантастическими. Система выделила 71 кандидата на увольнение. Прогноз сбылся с поразительной точностью: из этого спи
Список 71 сотрудника обозначенных ML моделью, как "склонны к увольнению"
Список 71 сотрудника обозначенных ML моделью, как "склонны к увольнению"

Недавно мы посетили «Сбербанк Акселератор» — мероприятие, посвященное автоматизации и цифровизации бизнеса в Ставропольском крае. Свои доклады представили ведущие digital-компании региона, а участники предлагали решения для реальных задач крупных агрохолдингов, промышленных и оптовых предприятий.

Особенно нас впечатлил кейс, реализованный для издательства «Экспо». В штате компании работает более 5000 человек, поэтому вопрос удержания кадров стоит крайне остро. Чтобы оптимизировать работу HR-отдела, компания провела смелый эксперимент: заказала разработку ПО для прогнозирования оттока персонала.

Суть решения
ML-модель (машинное обучение) анализирует массив данных о текущих и уже уволившихся сотрудниках: активность в рабочих сетях, режим работы, KPI и другие параметры. На основе этого алгоритм вычисляет вероятность ухода конкретного специалиста.

Результаты
Итоги оказались фантастическими. Система выделила 71 кандидата на увольнение. Прогноз сбылся с поразительной точностью: из этого списка компанию действительно покинули 66 человек.

Инсайты
Анализ показал неожиданные результаты. Статистически значимыми факторами, влияющими на увольнение, оказались не уровень зарплаты, а стаж работы, наличие и возраст детей, а также внутренние регалии сотрудника.

-2

Итог
Благодаря внедрению модели издательство снизило текучесть кадров на 20%. Теперь HR-специалисты могут действовать превентивно: точечно работать с сотрудниками из «зоны риска», повышать их лояльность и существенно экономить бюджет на найме и обучении новичков.

Узнать о других кейсах из сферы AI можно на нашем сайте