Прогнозирование текучести кадров и разработка политики удержания: тематическое исследование.

Edouard Ribes ^†^†спасибо: Ecole Polytechnique,91128 Palaiseau, France,Email: edouard.augustin.ribes@gmail.com Karim Touahri ^†^†спасибо: Université 5 Descartes, Paris 13 Sorbonne City,France,Email: touahrikarim91@gmail.com Бенуа Пертам ^†^†спасибо: Sorbonne Universités, UPMC Univ Paris 06, Laboratoire Jacques-Louis Lions UMR CNRS 7598, Inria, F75005 Paris, France

Аннотация

В данной статье иллюстрируются сходства между проблемами оттока клиентов и текучести кадров. Разработан пример модели прогнозирования текучести кадров с использованием классических методов machine learning. Результаты модели затем обсуждаются для разработки и тестирования политики удержания сотрудников. Насколько нам известно, такой подход к обсуждению удержания является инновационным и составляет основную ценность данной статьи..

Математическая классификация предметов 2010 года. Ключевые слова и фразы. Прогнозирование оттока; методы Machine learning; текучесть кадров; классификация; политика удержания; планирование рабочей силы.

1 Введение

Алгоритмы машинного обучения часто демонстрируются в исследованиях оттока клиентов. Применения в таких областях, как телекоммуникации или продуктовый маркетинг (игры, страхование и т. д.) (см. [1],[2] для недавнего обзора), многочисленны. Внедрение этих методов в управление взаимоотношениями с клиентами становится новой нормой, поскольку повышение удержания клиентов дает превосходные бизнес-результаты. Мы утверждаем, что этот тип методов может быть легко применен к текучести кадров. Заметим, что текучесть кадров фактически может быть подразделена на 3 категории: вынужденная текучесть (вызванная компанией), добровольная текучесть (увольнение сотрудника по собственному желанию) и выход на пенсию. Выход на пенсию и вынужденная текучесть выходят за рамки данной статьи. Выход на пенсию, как правило, законодательно закреплен через специфические местные схемы и не требует прогнозирования. Что касается решений об увольнении, то это решение компании, направленное на достижение правильного размера рабочей силы или уровней производительности. Поэтому они не требуют какого-либо предвидения поведения работников. С другой стороны, добровольная текучесть зависит от сотрудника. Ее смягчение может представлять интерес для компаний. На наш взгляд, это даже одна из ключевых динамик рабочей силы, которую необходимо понимать для управления компанией в устойчивом ключе (см. [3] для примера). Предположим, что компания $Y$ имеет часть своей рабочей силы на должности $j$ , которая считается критически важной для достижения бизнес-результатов. Предположим, что должность $j$ участвует в критической части производственного процесса продукта и ее крайне сложно укомплектовать из-за требуемого опыта и связанного с этим времени на обучение. Задержки и/или сбои в производственном процессе могут быть чрезвычайно дорогостоящими для компании, поэтому усилия по удержанию могут быть рассмотрены для снижения производственных рисков. Удержание является частью стандартной деятельности отдела кадров [HR], которая структурирована вокруг «5 Б», а именно: «Покупать» и «Заимствовать» (=нанимать), «Строить» (=обучать), «Связывать» (=удерживать), «Отсеивать» (=увольнять). Инвестиции в удержание обычно учитывают индивидуальную производительность, потенциал роста в компании и сочетаются с оценкой риска ухода. Давайте предположим, что производительность и потенциал уже оцениваются удовлетворительным образом, но риск ухода в настоящее время оценивается менеджером сотрудника на основе личной интуиции. Эта управленческая оценка в действительности является задачей классификации. Менеджер будет ежегодно помечать своих сотрудников как имеющих либо «Высокий риск» (сотрудник покинет компанию в этом году), либо «Низкий риск» (сотрудник не покинет компанию в этом году) ухода. Предположим, что компания $Y$ не доверяет управленческим оценкам, потому что исторически они плохо коррелируют с наблюдаемыми потоками добровольной текучести. Поэтому компания была бы заинтересована в разработке процедуры прогнозирования для структурирования своих усилий по удержанию. Использование методов машинного обучения для целей прогнозирования текучести кадров в последнее время возросло (см. [4] и [5] для недавних примеров). Тем не менее, насколько нам известно, ничего не было сделано для разработки и тестирования политики удержания. В этой статье мы, следовательно, будем использовать знания в области HR для создания предиктора текучести и тестирования политики удержания. В этой статье сначала будет объяснено, как признаки могут быть спроектированы для подачи в алгоритм машинного обучения. Во второй части будут обсуждены и проанализированы с точки зрения производительности несколько методов машинного обучения и методов выборки для обучения. Наконец, будет проведен анализ чувствительности для разработки и тестирования конкретных политик удержания..

Важное юридическое примечание. Выводы и мнения, изложенные в данной статье, принадлежат авторам и не отражают позицию какой-либо компании или учреждения. Наконец, пожалуйста, примите во внимание, что из соображений конфиденциальности числовые данные были изменены таким образом, чтобы сохранить те же выводы, что и в реальном тематическом исследовании..

2 Проектирование признаков.

2.1 Предыдущие исследования.

Текучесть кадров трудно предсказать, поскольку она является результатом сочетания различных факторов. На данный момент не достигнуто консенсуса относительно того, какие ключевые элементы следует использовать. Например, ранний обзор исследований добровольной текучести кадров [6] показал, что наиболее сильными предикторами добровольной текучести являются возраст, стаж работы, оплата труда, общая удовлетворенность работой и восприятие справедливости сотрудником. Однако в других исследованиях также подчеркивается важность эффективности работы [7], характеристик должности (роль, стаж в должности...), [8], расширенных индивидуальных демографических характеристик (возраст/опыт, пол, этническая принадлежность, образование, семейное положение) ([9], [10], [11], [12], [13], [14]), структурных характеристик (т.е. размер и эффективность команды) и географических факторов ([15] , [16]). Наконец, в некоторых исследованиях также делается акцент на заработной плате, условиях труда, удовлетворенности работой, руководстве, продвижении по службе, признании, потенциале роста, выгорании и т.д. [17], [18],[19], [20]. И наш список далеко не исчерпывающий… Насколько мы понимаем, ключ к успешной разработке признаков в задачах machine learning заключается в гибкости. Информационные системы управления персоналом [HRIS] компаний известны своей несогласованностью данных и проблемами с их качеством. Отсутствие стандартов данных, таким образом, требует выполнения специфических для каждой компании задач по проектированию признаков..

2.2 Предметные знания и данные по текучести кадров.

Набор данных, доступный для этого исследования, обсуждался с группой экспертов, пользующихся доверием среди наших клиентов. Целью этого обсуждения был тщательный отбор признаков, которые, в свете предыдущих библиографических работ, были бы релевантны для данной работы $j$ и в текущем историческом контексте. Привлечение экспертов, пользующихся доверием, было важно, поскольку это позволило нам внедрить предметные знания в проект, одновременно заручившись поддержкой нашей группы клиентов в отношении такого рода методологии. Это также было критически важно, так как помогло нам исключить признаки, которые считались ненадежными. Отобранные признаки были:

⟦• Локализация. Были отобраны лица из определенной страны. Эта страна описывалась категориальным признаком, представляющим региональную область, в которой работал сотрудник. Это использовалось для учета специфической динамики местного рынка труда..
⟦• Знания. Чтобы учесть специфическую предметную экспертизу для категории должностей $j$ , в набор признаков был добавлен тип бизнес-подразделения, в котором работал сотрудник.
⟦• Индивидуальные данные. Было предложено несколько признаков, касающихся отдельных сотрудников. Во-первых, были добавлены время пребывания в текущей должности и стаж работы в данной компании. Также были выделены демографические показатели в виде возраста и пола. Обсуждались дополнительные элементы, специфичные для набора данных, такие как оценка производительности и потенциала. Наконец, в общую совокупность был добавлен иерархический уровень в соответствии со структурой грейдов набора данных.
⟦• Индивидуальные управленческие данные. Были добавлены демографические данные руководителя, такие как возраст и пол, а также время работы руководителя на текущей должности и стаж в данной компании. Также были интегрированы показатели эффективности руководителя за последний год и средняя эффективность за последние 3 года..
⟦• Данные отдельной команды. Размер команды и процентное соотношение высокоэффективных и низкоэффективных сотрудников в команде были добавлены в подготовленный набор данных.

Совокупность изучаемых объектов в заданной категории должности $j$ насчитывала около 1000 сотрудников в определенной стране. Были доступны данные за 2 года (именованные как год 1 и год 2). Задача носила классификационный характер, так как сотрудники имели метки «Уволен» или «Активен». Следует отметить, что набор данных был сформирован из лиц, уволившихся не по собственной инициативе или в связи с выходом на пенсию, в соответствии с рамками исследования. Полный набор данных был сильно несбалансирован, так как годовое число лиц на должности $j$ , уволившихся по собственному желанию, составляло около $20\%$ .Он был случайно разделен на обучающую и тестовую выборки равного размера. Каждая из двух выборок содержала одинаковую долю информации за год 1 и год 2. Такой выбор действительно обеспечил более высокую надежность результатов по сравнению с обучением алгоритмов на одном годе и тестированием на другом.

2.3 Выбор признаков.

После этого предварительного этапа был развернут слой отбора, чтобы сохранить только наиболее релевантные для текущей проблемы элементы из числа упомянутых экспертами и в литературе. Ограничение количества признаков, используемых в machine learning задачах, действительно имеет решающее значение для надлежащего управления сложностью фазы обучения и предотвращения over fitting. В данной работе критерий взаимной информации (MI) использовался для оценки «информационного наполнения» каждого отдельного признака. Такой тип метода отбора признаков действительно хорошо известен и доказал свою полезность для подобных тем (см. [21] для раннего примера, [22] для примера оттока клиентов и [23] для обзора.).

Ранжирование с использованием Mutual Information (MI).

Взаимная информация (Mutual Information, MI) является важной метрикой информации и широко используется для количественной оценки взаимной зависимости случайных величин (см. [24] для деталей). Формально взаимная информация между выходной переменной $Y$ и входной переменной $X$ определяется как:

MI(X;Y)=\sum_{x\in X}\sum_{y\in Y}P(x,y).\log{\dfrac{P(x,y)}{P(x).P(y)}}

(1)

где $P(x)$ (соотв. $P(y)$ ) — это вероятность, связанная с $X$ (соотв. $Y$ ), а $P(x,y)$ — это совместная вероятность наличия как $X$ , так и $Y$ ⟧.

Фильтрация признаков.

Существует несколько возможностей для выбора признаков. Согласно недавнему исследованию [25], их можно свести к трем типам методов: фильтрам, оберткам и встроенным методам. Методы фильтрации выполняют предварительную обработку и ранжирование признаков, чтобы сохранить только лучшие из них. В методах-обертках критерием выбора признаков является производительность самого предиктора. Предиктор фактически «обернут» в поисковый алгоритм, который находит подмножество, обеспечивающее наилучшую производительность предиктора. Наконец, встроенные методы включают выбор переменных как часть процесса обучения без разделения данных на обучающие и тестовые наборы. Рис. 1. Взаимная информация признаков В данном случае использовался метод фильтрации, основанный на описанном ранее критерии взаимной информации. Этот выбор был мотивирован простотой и эмпирической эффективностью подхода. Для каждого признака $X$ была вычислена взаимная информация $MI(X,Y)$ , и были сохранены только 60% лучших признаков. Результаты взаимной информации представлены ниже. Среди признаков демографического характера были удалены пол и возраст сотрудника, а также пол руководителя. Информация об уровне бонусов компании и структурные иерархические детали оказались полезными, но потребовали детализации для практического использования. Информация о размере команды исчезла. Интересно отметить, что в текущем наборе данных только поведенческие оценки сотрудников связаны с решением об employee turnover. Требуется дальнейшее исследование этого аспекта набора данных.

3 Методы Machine Learning.

Используемые аналитические методы опираются на известные стандарты, такие как SVM, random forests или KNN, которые были предложены для прогнозирования текучести кадров (см. примеры в [26] или [4]). Они были скорректированы с учетом дисбаланса классов и возможных связанных с этим смещений.

3.1 Устранение дисбаланса классов.

Дисбасс классов является частой темой в прогнозировании оттока клиентов ([27], [28]…), что близко по тематике к исследованию, представленному в данной статье. Стандартные решения включают методы субсэмплинга для сглаживания различий между наблюдаемыми классами. В этой статье были протестированы несколько методов:

⟦• Down-sampling: sample the majority class to make its frequency closer to the rarest class.
• Up-sampling: ресэмплинг миноритарного класса для увеличения его частоты.
⟦• Взвешивание: установите более тяжелый штраф за неправильную классификацию миноритарного класса [29] путем присвоения веса каждому классу, причем миноритарному классу присваивается больший вес (т. е. более высокая стоимость неправильной классификации)).
• ”SMOTE”: увеличить выборку миноритарного (самого редкого) класса и уменьшить выборку мажоритарного класса ([30]).
⟦• «ROSE»: генерация новых искусственных данных из классов для исправления дисбаланса классов на основе сглаженного бутстрэп-подхода [31]⟧.

3.2 Выбранные методы классификации.

Для решения задачи классификации использовались следующие методы:

⟦• Наивные байесовские (NB) классификаторы (см. [32] для примера применения) вычисляют вероятность того, что заданный входной образец принадлежит к определенному классу. При заданном количестве классов $Y=(y1,y2,…,yk)$ и неизвестном образце X наивный байесовский классификатор относит образец X к классу с наибольшей вероятностью $C=ArgMax_{y\in(y1...yk)}(p(y|X))$
⟦• Линейный дискриминантный анализ (LDA) представляет собой обобщение линейного дискриминантного анализа Фишера. Его можно объяснить как вычисление z-оценки, которая затем используется для оценки вероятностей того, что конкретный объект или наблюдение принадлежит к классу.
⟦• Метод опорных векторов (SVM) обеспечивает разделение классов путем поиска (в своей линейной версии) гиперплоскости в пространстве высокой размерности. Интуитивная идея заключается в том, что хорошее разделение достигается с помощью гиперплоскости, которая имеет наибольшее расстояние до ближайших точек обучающих данных любого класса. Чем больше зазор (margin), тем ниже ошибка генерализации классификатора. По этой причине SVM также называют классификаторами с максимальным зазором. Существуют различные версии (линейные, полиномиальные, гауссовские...) (см. [33]⟧)
⟦• Случайные леса (RFs) [34] являются результатом комбинации древовидных классификаторов. Каждое дерево зависит от значений случайного вектора, выбранного независимо и с тем же распределением для всех деревьев в лесу. Ошибка обобщения леса древовидных классификаторов зависит от силы отдельных деревьев в лесу и корреляции между ними. Случайный лес эмпирически показал очень хорошие результаты классификации в многочисленных случаях и устойчив к переобучению..

Примечание: библиотека R Caret [35] использовалась для поддержки исследования.

3.3 Оценка и результаты.

Кросс-валидация.

Набор данных был разделен в соотношении 80:20 на обучающую и отложенную выборки в рамках схемы 10-кратной перекрестной проверки. Для каждого алгоритма был выполнен поиск по сетке для параметров настройки, включая гиперпараметры регуляризации или штрафа..

Показатель эффективности.

В качестве меры эффективности была выбрана площадь под рабочей характеристикой приемника (ROC-AUC). AUC является общей мерой точности. Она отделяет оценку классификатора от условий работы, то есть распределений классов и затрат на ошибочную классификацию [36]. Она лучше подходит для несбалансированных задач классификации, чем стандартная точность или тестовая ошибка, поскольку позволяет графически представить специфичность (доля ложноположительных результатов) и избирательность (доля истинно положительных результатов) классификаторов на наборе данных. Обратите внимание, что в данном случае специфичность можно интерпретировать как процент работников, отмеченных как уволившиеся, которые действительно уволились, в то время как избирательность представляет собой процент работников, должным образом отмеченных как останущихся в своей компании.

Результаты.

Мы получили следующие результаты: Что касается коррекции дисбаланса, мы обнаружили, что в данном случае методы увеличения выборки и ROSE показали наилучшую эффективность. Как и ожидалось, при отсутствии коррекции дисбаланса алгоритмы имели тенденцию отдавать предпочтение мажоритарному классу для достижения наилучших показателей. Таблица 1. Эффективность классификации для различных методов передискретизации. Метод выборки Лучший алгоритм ROC Специфичность Селективность Нет LDA 0.73 0.94 0.19 Уменьшение LDA 0.74 0.61 0.67 Увеличение RF 0.96 0.82 0.96 Rose RF 0.95 0.81 0.96 Smote RF 0.87 0.86 0.74 Рис 2. ROC-кривые при передискретизации методом ROSE Что касается алгоритмов, мы увидели, что наилучшие результаты показали древовидные модели. При использовании передискретизации ROSE были зафиксированы следующие показатели: Таблица 2. Эффективность классификации для различных алгоритмов. Алгоритм ROC Специфичность Селективность LDA 0.75 0.67 0.74 SVM (Radial) 0.80 0.69 0.76 RF 0.95 0.81 0.96 Treebag 0.94 0.78 0.94 Соответствующие ROC-кривые представлены слева. Что касается значимости переменных, мы увидели, что поведение и результативность сотрудников (особенно при низких оценках) являются важными элементами для прогнозирования текучести кадров. Структурные элементы, касающиеся систем компенсации и специфики бизнес-единиц, также получили высокие оценки. То же самое относится к определенному стажу работы в компании и временным интервалам пребывания в должности. Согласно графику 3.3, новые сотрудники компании находятся в группе риска. Также в группе риска находятся люди, занимающие свои должности более 4 лет. Этот последний элемент может быть связан с ощущаемым отсутствием карьерных возможностей. Это, по-видимому, подтверждается важностью времени пребывания менеджеров в должности. Интересно, что важность менеджеров при принятии решений об увольнении, по-видимому, в основном связана с их стажем работы в компании или временем пребывания на должности. Результативность или поведение менеджеров не оцениваются как крайне важные факторы. Еще один интересный элемент заключается в том, что удаленная работа, по-видимому, не провоцирует большую текучесть кадров, чем работа в других офисах. Это указывает на специфику локального рынка труда. Рис 3. Важность переменных (RF с передискретизацией Rose) В этом разделе было показано, что можно моделировать добровольную текучесть кадров с помощью нескольких стандартных переменных. Хотя это может быть справедливо не для всех типов должностей, заявленная эффективность оказалась воспроизводимой на подготовленном тестовом наборе данных. Теперь необходимо обсудить использование модели для получения выводов о политике удержания персонала..

4 Обсуждение удержания персонала.

Согласно недавним обзорам в области удержания сотрудников (см. [37], [38]), результаты из предыдущего раздела неудивительны. Ряд общих мер по привязке людей к компаниям уже обсуждался на протяжении многих лет. Вопросы компенсации, включая системы вознаграждений и признания, являются одними из самых популярных (см. [39] в качестве примера). Также подчеркивались другие элементы, такие как возможности для роста и развития, подотчетность и структура руководства. Были подняты и некоторые дополнительные элементы, касающиеся рабочего места и баланса между работой и личной жизнью. Но, как подчеркивается в литературных обзорах, усилия по удержанию должны быть связаны с глубоким анализом текучести кадров, что и станет целью этой заключительной части нашего исследования. Предыдущие результаты побудили нас протестировать пять простых возможных программ. Первые две касаются пересмотра мест работы: в программе $P1$ удаленная работа переназначается на местоположение 1, в то время как в $P2$ работа в местоположении 3 переназначается на местоположение 1. Следующие касаются руководителей для рассматриваемых категорий труда. В программе $P3$ всех руководителей обязали получить первый внутренний опыт до вступления в управленческую роль. Это выразилось в перераспределении всех руководителей со стажем работы в компании от 0 до 2 лет в группу от 3 до 7 лет. В программе $P4$ предполагалось, что руководители будут часто ротироваться между командами, чтобы время их пребывания в должности оставалось менее 2 лет. Наконец, мы протестировали программу для сотрудников $P5$ , которая предполагает, что люди были привязаны к компании в течение первых 2 лет пребывания в должности.

4.1 Моделирование политики удержания персонала.

Пять упомянутых программ (от $P1$ до $P5$ ) были протестированы на прогнозном наборе, который был сформирован на основе данных текущего года, где отсутствовали сведения об employee turnover. Таким образом, он отличался как от упомянутых ранее тестового, так и тренировочного наборов. Размер и характеристики прогнозного набора были аналогичными. Определенные параметры прогнозного набора были изменены для проведения sensitivity analysis, необходимого для симуляции retention policy, как описано ранее. Было исследовано два типа политик. Действительно, можно либо применить программу $P1$ к $P5$ для всех людей, попадающих в сферу исследования, либо нацелиться только на лиц, помеченных как leavers, и принять политику, которая подходит им наилучшим образом.

Массовые действия.

Что касается массовых действий, в следующей таблице представлены результаты нашего исследования:

⟦Table 1: Моделирование массовых действий по удержанию сотрудников.

Program Type	Program Details	$\%$ of leavers
None	No Retention Policy	41.5 $\%$
P1.Location	Remote Job reassigned to Location 1	40.9 $\%$
P2.Location	Location 3 reassigned to Location 1	41.3 $\%$
P3.Manager	People Managers had 1 role internally	39.7 $\%$
P4.Manager	Manager Rotation Program	32.3 $\%$
P5.Employee	Bind newly assigned people	30 $\%$

Результаты, представленные выше, показывают, что программы, связанные с внутренней мобильностью, являются одними из наиболее эффективных вариантов снижения turnover. Если программа $P5$ кажется наиболее эффективной, она также является самой сложной в реализации и дает мало преимуществ по сравнению с программой managerial rotation. Интересно, что location change представляет небольшую ценность с точки зрения retention. В данном случае это может объясняться тем, что рассматриваемая labor category может работать в remote режиме. Это действительно создает общенациональный labor market для конкуренции..

Целевые действия.

Согласно результатам алгоритма, около 40 % сотрудников, вероятнее всего, уволятся и требуют вмешательства. Исследуемый подход заключается в том, чтобы для каждого из предполагаемых кандидатов на увольнение проверить, какая из программ (от $P1$ до $P5$ ) является полезной. Это позволит ограничить объем необходимых усилий при оптимизации удержания сотрудников. В результате конечный процент увольняющихся снижается до 24 %, что представляет собой значительное сокращение текучести кадров. Результаты в отношении принимаемых мер суммированы в таблице ниже:

⟦Table 2: Сводка целенаправленных мер по удержанию персонала.

Action Type	$\%$ of the total	$\%$ of the potential
	Population concerned	leavers concerned
None	82,42%	57,67%
P1.Location	0,88%	2,12%
P2.Location	0%	0%
P3.Manager	1,54%	3,70%
P4.Manager	10,55%	25,40%
P5.Employee	4,62%	11,11%

Эти результаты показывают, что для сокращения коэффициента текучести кадров вдвое достаточно принять меры только для 18% от общей численности персонала. В конечном итоге примерно 25% сотрудников из группы риска увольнения нуждаются в новом руководителе, а 11% требуется стимул для сохранения позиции в течение первых двух лет работы. Это подчеркивает решения, которые служба управления персоналом и, в частности, центры экспертизы по управлению талантами могут внедрить для успешного вклада в управление организацией.

4.2 Обсуждение.

У данного исследования есть ряд ограничений, которые перечислены ниже:

⟦• Ограничения модели. Во-первых, у нас не было целостного видения индивидуальных параметров. Например, отсутствовали подробные параметры компенсации. Вполне возможно, что при предоставлении другого набора признаков алгоритмы показали бы лучшие результаты и иные интерпретации, например, с точки зрения ранжирования важности. История, описанная в данном тематическом исследовании, является результатом дискуссий между экспертами на основе полученных выводов. Мы утверждаем, что, хотя продвинутая аналитика важна, ключевыми элементами здесь стали обсуждения, которые привели к общему одобрению симуляций политик удержания..
⟦• Эмоциональная составляющая в трудовых отношениях. Обсуждения, проведенные с нашей фокус-группой, подняли еще одну проблему. Текучесть кадров может быть обусловлена сочетанием рациональных и эмоциональных компонентов. Набор данных был в основном организован вокруг стандартных организационных или трудовых показателей. Информация о профилях, поведении или предпочтениях сотрудников практически отсутствовала.
⟦• Подход баланса спроса и предложения. Разработанный подход хорошо подходит для предложения мер по снижению текучести кадров. Тем не менее, мы считаем, что это не должно быть первоочередной задачей. Вместо этого мы рекомендуем начинать обсуждение текучести и удержания персонала с тщательного обсуждения производительности труда на уровне должностей. Это действительно помогает компаниям ориентироваться в условиях спроса и предложения, характерных для рынков труда, и, следовательно, помогает им определить приемлемый уровень текучести кадров. Производительность действительно поможет определить стоимость сбоев, связанных с текучестью кадров, в то время как равновесие спроса и предложения поможет найти правильное сочетание решений с точки зрения укомплектования штата и усилий по удержанию. Мы лично считаем, что функция human resources является ключевым операционным органом компаний. Тем не менее, ей необходимо увязывать свою деятельность и услуги с ощутимыми бизнес-результатами (продажи, затраты, производительность), чтобы доказать свою ценность. В нашем исследовании этому не было уделено достаточного внимания, и пересмотр определения производительности по функциям представляется обязательным для стандартизации такого подхода..

5 Заключение и следующие шаги.

В данной статье предложен подход к удержанию сотрудников с использованием стандартных методов machine learning. В первой части обзор литературы показал, насколько эта проблема близка к оттоку клиентов customer churn. Тем не менее, насколько нам известно, в отношении employee turnover с количественной точки зрения сделано немного. Это привело к обсуждению с экспертами того, как решить данную проблему и сгенерировать meaningful features. Затем эти признаки подавались на вход стандартным алгоритмам machine learning при различных схемах ресэмплинга для учета дисбаланса классов. Наиболее эффективный алгоритм был выбран для прогнозирования turnover, а также был проведен анализ чувствительности для понимания эффектов различных retention policies. Мы обнаружили, что для имеющихся данных наиболее эффективной практикой retention было развитие мобильности талантов между должностями. Основным следующим шагом в этом исследовании было бы включение подробных элементов компенсации в набор признаков. Текущая модель действительно больше ориентирована на восприятие сотрудником своей внутренней среды, чем на рациональные экономические компромиссы. Мы действительно верим, что такие модели способны имитировать индивидуальную функцию полезности, связанную с работой..

Литература

[1] E. Ngai, L. Xiu, and D. Chau, “Application of data mining techniques in customer relationship management: A literature review and classification,” Expert Systems with Applications, vol. 36, no. 2, Part 2, pp. 2592 – 2602, 2009.
⟦[2] Т. Вафейадис, К. Диамантарас, Г. Саригианнидис и К. Хатзисаввас, «Сравнение методов машинного обучения для прогнозирования оттока клиентов», Моделирование, практика и теория, том 55, стр. 1 – 9, 2015.
⟦[3] М. Думик, Б. Пертам, Э. Рибес, Д. Салорт и Н. Тубиана, «На пути к интегрированной системе планирования трудовых ресурсов с использованием структурных уравнений», Европейский журнал операционных исследований, стр. –, 2017.
⟦[4] Р. Пуннус и П. Аджит, «Прогнозирование текучести кадров в организациях с использованием алгоритмов машинного обучения», Международный журнал передовых исследований в области искусственного интеллекта (ijarai), том 5(9), 2016.
⟦[5] Х. Юн Чанг и Х. Юн Чанг, «Текучесть кадров: новое решение для прогнозирования с эффективным отбором признаков», стр. 252–256, 2009.
⟦[6] J. L. Cotton and J. M. Tuttle, “Employee turnover: A meta-analysis and review with implications for research,” The Academy of Management Review, vol. 11, no. 1, pp. 55–70, 1986.
⟦[7] A. Susskind, C. Borchgrevink, K. Kacmar, and R. Brymer, “Customer service employees’ behavioral intentions and attitudes: An examination of construct validity and a path model,” International Journal of Hospitality Management, vol. 19, pp. 53–77, 3 2000.
⟦[8] Н. С. К. Хасан Зареи Матин и М. Р. А. Анвари, «Модерируют ли демографические переменные взаимосвязь между профессиональным выгоранием и его последствиями?», Иранский журнал управленческих исследований IJMS, т. 5, № 1, с. 47–62, 2012.
[9] И. ГАБАРРЕТ, «Исследовательский анализ добровольного ухода кадров: Случай предпринимательского выхода вне спин-оффа», с. 22.
⟦[10] K. M. R. E. K. L. M. Finkelstein, «Что думают молодые (пожилые) люди обо мне? Содержание и точность возрастных метастереотипов», European Journal of Work and Organizational Psychology, vol. 22(6), pp. 633–657, 2013.
⟦[11] Т. Л. Б. Холтом, Т. Митчелл и М. Эберли, «Исследования текучести и удержания кадров: взгляд в прошлое, более детальный обзор настоящего и экскурсиа в будущее», Academy of Management Annals, т. 2, с. 231–274, 2008.
[12] E. K. K. C. von Hippel and J. D. Henry, “Stereotype threat among older employees: Relationship with job attitudes and turnover intentions,” Psychology and aging, 2013.
⟦[13] С. Л. Питерсон, «К теоретической модели текучести кадров: взгляд со стороны развития человеческих ресурсов», Обзор развития человеческих ресурсов, том 3(3), 2004.
⟦[14] Дж. М. Сакко и Н. Шмитт, «Динамическая многоуровневая модель демографического разнообразия и эффектов несоответствия», Журнал прикладной психологии, т. 90(2), 2005.
⟦[15] К. Танова, «Использование факторов укорененности в должности для объяснения добровольной текучести кадров в пяти европейских странах», серия рабочих документов IRISS 2006-04, IRISS в CEPS/INSTEAD, июль 2006 г..
⟦[16] S. M. Carraher, “Turnover prediction using attitudes towards benefits, pay, and pay satisfaction among employees and entrepreneurs in estonia, latvia, and lithuania,” Baltic Journal of Managementt, vol. 6, pp. 25 – 52, 2001.
⟦[17] D. G. Allen and R. W. Griffeth, “Test of a mediated performance – turnover relationship highlighting the moderating roles of visibility and reward contingency,” Journal of Applied Psychology, vol. 86(5), 2001.
[18] T. W. L. B. C. H. D. Liu, T. R. Mitchell and T. R. Hinkin, “When employees are out of step with coworkers: How job satisfaction trajectory and dispersion influence individual-and unit-level voluntary turnover,” Academy of Management Journal, vol. 55(6), 2012.
⟦[19] B. W. Swider and R. D. Zimmerman, “Born to burnout: A metaanalytic path model of personality, job burnout, and work outcomes,” Journal of Vocational Behavior, vol. 76(3), 2010.
[20] T. M. Heckert and A. M. Farabee, “Turnover intentions of the faculty at a teaching-focused university,” Psychological reports, vol. 99(1), 2006.
⟦[21] R. Battiti, “Using mutual information for selecting features in supervised neural net learning,” IEEE Transactions on Neural Networks, vol. 5, pp. 537–550, Jul 1994.
⟦[22] С. Молдован, Э. Мюллер, Я. Рихтер и Э. Йом-Тов, «Лидерство мнения в малых группах», Международный журнал исследований в области маркетинга, стр. –, 2016.
⟦[23] J. R. Vergara and P. A. Estévez, “A review of feature selection methods based on mutual information,” Neural Computing and Applications, vol. 24, no. 1, pp. 175–186, 2014.
[24] T. M. Cover and J. A. Thomas, Elements of Information Theory, vol. 2nd Edition. 2006.
⟦[25] Г. Чандрасекар и Ф. Сахин, «Обзор методов выбора признаков», Computers and Electrical Engineering, т. 40, № 1, с. 16 – 28, 2014. Юбилейный выпуск к 40-летию.
⟦[26] А. М. Эсмаиэли Сикаруди, Р. Гоуси и А. Сикаруди, «Подход интеллектуального анализа данных для прогнозирования текучести кадров (на примере производства автомобильных деталей в Араке)», Журнал промышленной инженерии и системных наук, т. 8, № 4, с. 106–121, 2015.
⟦[27] K. W. Bowyer, N. V. Chawla, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: synthetic minority over-sampling technique,” CoRR, vol. abs/1106.1813, 2011.
⟦[28] А. Амин, Ф. Рахим, И. Али, К. Хан и С. Анвар, Сравнение двух методов избыточной выборки (SMOTE против MTDF) для решения проблемы дисбаланса классов: тематическое исследование прогнозирования оттока клиентов, стр. 215–225. Чам: Шпрингер Интернэшнл Паблишинг, 2015.
⟦[29] L. A. . B. L. Chen, C., “Using random forests to learn imbalanced data,” Technical Report 666. Statistics Department of University of California at Berkeley., 2004.
⟦[30] N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “Smote: Synthetic minority over-sampling technique,” Journal of Artificial Intelligence Research, vol. 16, pp. 321–357, 2002.
⟦[31] Г. Менарди и Н. Торелли, «Обучение и оценка правил классификации на несбалансированных данных», Data Mining and Knowledge Discovery, vol. 28, no. 1, pp. 92–122, 2014.
⟦[32] Г.-э. Ся и В.-д. Цзинь, «Модель прогнозирования оттока клиентов на основе метода опорных векторов», Системная инженерия — Теория и практика, т. 28, № 1, с. 71–77, 2008.
[33] B-Gent, K. Coussement и D. V. D. Poel, “Прогнозирование оттока в сервисах по подписке: применение support vector machines при сравнении двух методов выбора параметров,” 2006.
⟦[34] A. Liaw and M. Wiener, “Classification and regression by random forest,” R News, vol. 2, no. 3, pp. 18–22, 2002.
⟦[35] M. K. C. из Jed Wing, S. Weston, A. Williams, C. Keefer и A. Engelhardt, caret: Classification and Regression Training, 2012. R package version 5.15-044.
⟦[36] S. Lessmann and S. Voß, “A reference model for customer-centric data mining with support vector machines,” European Journal of Operational Research, vol. 199, 2009.
⟦[37] Б. Л. Дас и М. Баруа, «Удержание сотрудников: обзор литературы», Журнал бизнеса и менеджмента, т. 14, № 2, с. 08–16, 2013.
⟦[38] С. Рамлалл, «Обзор теорий мотивации сотрудников и их значение для удержания персонала в организациях», Журнал Американской академии бизнеса, т. 5, № 1/2, с. 52–63, 2004.
⟦[39] P. C. Bryant and D. G. Allen, “Compensation, benefits and employee turnover: Hr strategies for retaining top talent,” Compensation & Benefits Review, vol. 45, no. 3, pp. 171–175, 2013.