Скопировать ссылку
Почему текучка — одна из самых дорогих проблем бизнеса
Кажется, что уход сотрудника — это просто новая вакансия. Но это не совсем так. Компания несет расходы задолго до выхода замены: перераспределяет задачи внутри команды, теряет накопленную экспертизу, тратит время руководителей и HR на подбор, а затем инвестирует в адаптацию новичка.
По оценке экспертов, совокупные косвенные потери от ухода одного специалиста могут достигать пяти-шести его месячных окладов еще до начала поиска замены.
Чем выше текучесть, тем чаще компании приходится повторять весь цикл найма и адаптации. По данным Высшей школы управления при Финансовом университете, предприятия с текучестью 18% тратили на эти процессы на 56% меньше, чем предприятия, где показатель достигал 40%. Производительность труда у них также была выше.
На фоне ситуации на российском рынке труда эти потери становятся еще заметнее. До 2032 года экономике потребуется заместить около 11,5 млн работников, которые выйдут на пенсию, и обеспечить кадрами еще 500 тыс. новых рабочих мест. При этом безработица держится на уровне 2,2%, а средний возраст работников достиг 44 лет.
Значит, увольнение — это и расходы, и риск надолго остаться без нужного специалиста. Поэтому снижение текучести кадров становится одной из ключевых задач HR-служб и руководителей.
Почему традиционные HR-метрики не позволяют предсказать уход?
Большинство стандартных HR-показателей показывают, что уже произошло, а не то, что может произойти дальше. Именно поэтому традиционной HR-аналитики часто недостаточно.
Например, сотрудник перестал участвовать в обучении. Сам по себе этот факт ни о чем не говорит. Возможно, он занят срочным проектом или недавно закончил большой курс и пока не планирует новые. То же самое происходит и с другими метриками.
Ограничение традиционных методов в том, что они часто:
- показывают отдельные показатели без общего контекста;
- фиксируют состояние на конкретный момент;
- опираются на данные из разных систем, которые редко анализируют вместе;
- зависят от того, заметит ли руководитель изменения вручную.
Поэтому по одному показателю понять причину нельзя. Риск становится заметнее, когда несколько изменений происходят одновременно.
Например, сотрудник уже два года не получал повышения, перестал проходить обучение, стал чаще перерабатывать и начал показывать более низкие результаты. Вероятность того, что сотрудник планирует уход, выше.
Такие сочетания трудно отслеживать, особенно когда команда большая. Поэтому компании все чаще используют ИИ для прогнозирования ухода сотрудников.
Какие данные уже есть в компании и как ИИ превращает их в прогноз
Большинство ИИ-систем прогнозирования в HR работают по одному принципу: анализируют историю прошлых увольнений и ищут закономерности, которые им предшествовали.
Например, модель может обнаружить, что сотрудники чаще увольнялись после длительного отсутствия повышения, роста нагрузки и снижения активности в обучении. Если похожее сочетание появляется у действующего сотрудника, система HR-аналитики отмечает повышенный риск.
Для этого не нужно собирать новые данные. Обычно достаточно информации, которая уже есть в HRM/CRM/таск-трекерах и других системах: стаж, повышения, результаты работы, нагрузка, обучение, переработки и результаты опросов вовлеченности.
Если сотрудник, который раньше стабильно работал, начинает чаще отклоняться от сценариев, допускать ошибки или меняет стиль общения, это еще не говорит о намерении уволиться. Но вместе с другими показателями такие изменения помогают модели точнее оценить риск ухода.
Какие закономерности ИИ-модели действительно находят
Одна из самых интересных особенностей таких систем — они часто находят закономерности, которые сложно заметить человеку. Вот несколько примеров.
Закономерность № 1. Слишком высокая и слишком низкая загрузка
Интуитивно кажется, что увольняются в основном перегруженные сотрудники. Но это не всегда так.
Исследования показывают U-образную зависимость между загрузкой и риском ухода. Чаще всего компанию покидают две группы сотрудников: те, кому не хватает задач, и те, кто постоянно работает на пределе возможностей.
В первом случае человек может не видеть возможностей для развития и начинает искать более интересную работу. Во втором — растет риск выгорания.
Закономерность № 2. Один показатель редко говорит о проблеме
Длительное отсутствие повышения, снижение результатов работы или отказ от обучения сами по себе еще не означают, что сотрудник собирается увольняться.
Но если несколько таких изменений происходят одновременно, вероятность ухода может заметно увеличиться. Именно поэтому современные модели анализируют сочетание показателей.
Закономерность № 3. Причина может скрываться не в самом сотруднике
Некоторые модели анализируют как данные конкретного человека, так и ситуацию вокруг него.
Например, если в одной команде одновременно растет текучесть, снижается вовлеченность и увеличивается нагрузка, проблема может быть связана не с отдельными сотрудниками, а с организацией работы или стилем управления руководителя.
Для бизнеса это особенно важно. Вместо того чтобы работать с каждым увольнением отдельно, компания получает возможность увидеть системную проблему и устранить ее причину.
Почему прогноз сам по себе ничего не решает
Сам по себе прогноз увольнения сотрудника не приносит бизнесу пользы. Она появляется только тогда, когда такой прогноз становится поводом для действий. Руководитель может обсудить нагрузку, предложить новый проект, пересмотреть карьерный план или выяснить причины снижения вовлеченности.
Но и не каждое увольнение нужно предотвращать. Иногда сотруднику действительно не подходит роль, а компания не может предложить альтернативу.
Задача ИИ — не удержать человека любой ценой, а помочь вовремя разобраться в ситуации и принять решение до того, как изменить уже ничего нельзя.
Какие ограничения и этические вопросы возникают
Было бы неправильно говорить, что ИИ в HR-аналитике способен безошибочно предсказывать увольнения. Как и любые инструменты, такие системы имеют ограничения.
Ограничение № 1. Качество прогноза зависит от качества данных
Если данные о сотрудниках неполные, хранятся в разных системах или давно не обновлялись, точность прогноза снижается.
Например, если компания не фиксирует внутренние переводы, результаты обучения или изменения нагрузки, модель не увидит часть факторов, которые могут влиять на риск ухода.
Ограничение № 2. Модель может ошибаться и повторять старые перекосы
ИИ учится на прошлых данных. Если в них уже были необъективные решения, модель может принять их за закономерность.
Например, сотрудники определенной группы могли чаще увольняться не из-за личных качеств, а из-за слабого онбординга или отсутствия карьерных возможностей. Без проверки модель может ошибочно считать саму принадлежность к этой группе фактором риска.
Поэтому прогнозы нужно регулярно проверять на ложные срабатывания и необъяснимые различия между группами сотрудников.
Ограничение № 3. Аналитика не должна превращаться в слежку
Чем больше данных использует компания, тем важнее объяснить сотрудникам, что именно анализируется и зачем.
Иначе система может снизить доверие и подтолкнуть людей не к лучшей работе, а к демонстрации «правильного» поведения.
Несколько советов перед внедрением
- Сначала проверьте данные, определите задачу и результат, который бизнес хочет получить от ИИ-системы в HR.
- Если решение разрабатывает подрядчик, оцените, умеет ли он работать с HR-данными, объяснять логику прогноза и учитывать требования к безопасности и приватности.
- Заранее определите, что HR и руководители будут делать после получения прогноза. Без понятных сценариев действий система останется еще одним отчетом, который не влияет на текучесть.
