Розробка AI-системи моніторингу вигорання співробітників Burnout Detection

Розробка AI-системи моніторингу вигоряння працівників Burnout Detection

Вигоряння обходиться компанії дорого: лікарняні, зниження продуктивності, плинність. Системи раннього виявлення аналізують цифровий слід у корпоративних інструментах — без стеження за вмістом листування, лише поведінкові патерни та агреговані метрики.

Принципи та обмеження

Що моніторимо, що не моніторимо:

Разрешено (поведенческие метрики):
✓ Частота коммитов и время работы (Git timestamps, без содержимого)
✓ Время первого и последнего входа в системы
✓ Количество встреч в календаре
✓ Регулярность перерывов в рабочем дне
✓ Количество сообщений (без текста) в Slack/Teams
✓ Количество созданных задач vs закрытых (Jira/Linear)

Запрещено:
✗ Чтение переписки
✗ Запись экрана или нажатий клавиш
✗ Геолокация
✗ Анализ содержимого документов

GDPR/152-ФЗ compliance: агрегація лише на рівні патернів, персональні дані не зберігаються у сирому вигляді, доступ до даних конкретного співробітника — лише HR та менеджер за згодою.

Feature Engineering із цифрового сліду

Розрахунок поведінкових індикаторів:

import pandas as pd
import numpy as np
from datetime import time

def extract_burnout_features(employee_id: str,
                              activity_log: pd.DataFrame,
                              calendar_data: pd.DataFrame,
                              task_data: pd.DataFrame) -> dict:
    """
    Все признаки — агрегаты за 4 недели.
    Никаких конкретных значений "написал X в Y" — только паттерны.
    """
    # Рабочее время
    work_sessions = activity_log[activity_log['employee_id'] == employee_id]
    work_sessions['hour'] = work_sessions['timestamp'].dt.hour

    after_hours_ratio = len(work_sessions[work_sessions['hour'] >= 20]) / (len(work_sessions) + 1)
    weekend_work_days = work_sessions[
        work_sessions['timestamp'].dt.dayofweek >= 5
    ]['timestamp'].dt.date.nunique()

    # Непрерывность сессий (паузы в работе)
    sorted_sessions = work_sessions.sort_values('timestamp')
    gaps = sorted_sessions['timestamp'].diff().dt.total_seconds() / 3600
    long_breaks = (gaps > 0.5).sum()  # перерывы > 30 минут
    break_regularity = np.std(gaps[gaps > 0.1].values) if len(gaps) > 5 else 0

    # Встречи
    employee_meetings = calendar_data[calendar_data['employee_id'] == employee_id]
    meetings_per_week = len(employee_meetings) / 4
    back_to_back_meetings = count_back_to_back(employee_meetings)

    # Продуктивность
    tasks = task_data[task_data['assignee_id'] == employee_id]
    tasks_created = len(tasks[tasks['event'] == 'created'])
    tasks_completed = len(tasks[tasks['event'] == 'completed'])
    completion_rate = tasks_completed / (tasks_created + 1)

    # Коммуникации
    comm_by_hour = work_sessions.groupby('hour').size()
    comm_evening_ratio = comm_by_hour[comm_by_hour.index >= 20].sum() / (comm_by_hour.sum() + 1)

    return {
        'after_hours_ratio': after_hours_ratio,
        'weekend_work_days_4w': weekend_work_days,
        'break_regularity': break_regularity,
        'meetings_per_week': meetings_per_week,
        'back_to_back_ratio': back_to_back_meetings / (meetings_per_week + 1),
        'task_completion_rate': completion_rate,
        'comm_evening_ratio': comm_evening_ratio,
        'long_breaks_per_day': long_breaks / 20  # нормируем на 20 рабочих дней
    }

Burnout Risk Score

Складовий індекс ризику вигоряння:

from sklearn.ensemble import GradientBoostingClassifier
import shap

def compute_burnout_risk(features: dict, model, baseline_for_team: dict) -> dict:
    """
    Риск = отклонение от нормы команды × ML-модель.
    Сравниваем с базовым поведением сотрудника (его же данные 3 месяца назад).
    """
    # Нормализация по команде
    feature_vector = []
    feature_names = []
    for name, value in features.items():
        team_mean = baseline_for_team.get(name + '_mean', value)
        team_std = baseline_for_team.get(name + '_std', 1.0)
        normalized = (value - team_mean) / (team_std + 1e-9)
        feature_vector.append(normalized)
        feature_names.append(name)

    # Rule-based pre-screening
    rule_score = 0
    if features['after_hours_ratio'] > 0.3:
        rule_score += 2
    if features['weekend_work_days_4w'] > 4:
        rule_score += 2
    if features['task_completion_rate'] < 0.4:
        rule_score += 1  # снижение продуктивности
    if features['back_to_back_ratio'] > 0.5:
        rule_score += 1  # Meeting Overload

    # ML-скор
    ml_score = model.predict_proba([feature_vector])[0][1]

    # Объяснение
    explainer = shap.TreeExplainer(model)
    shap_values = explainer.shap_values([feature_vector])[1][0]
    top_risk_factors = sorted(
        zip(feature_names, shap_values),
        key=lambda x: abs(x[1]), reverse=True
    )[:3]

    combined_risk = 0.5 * ml_score + 0.5 * min(1.0, rule_score / 6)

    return {
        'risk_score': round(combined_risk, 3),
        'risk_level': 'high' if combined_risk > 0.7 else ('medium' if combined_risk > 0.4 else 'low'),
        'top_risk_factors': [factor for factor, _ in top_risk_factors],
        'recommended_action': determine_action(combined_risk, features)
    }

def determine_action(risk_score, features):
    if risk_score > 0.8:
        return 'urgent_hr_conversation'
    if risk_score > 0.6:
        return 'manager_checkin_this_week'
    if features['meetings_per_week'] > 30 and risk_score > 0.4:
        return 'review_meeting_load'
    return 'monitor'

Командний рівень

Агрегований аналіз без деанонімізації:

def team_burnout_dashboard(team_risk_scores: list) -> dict:
    """
    Менеджер видит только:
    - % команды в каждой зоне риска
    - Средний тренд за 4 недели
    - Основные паттерны (без имён при числе в группе < 5)
    """
    high_risk = sum(1 for r in team_risk_scores if r['risk_level'] == 'high')
    medium_risk = sum(1 for r in team_risk_scores if r['risk_level'] == 'medium')
    total = len(team_risk_scores)

    # Топ факторы по команде (агрегат)
    all_factors = []
    for r in team_risk_scores:
        all_factors.extend(r.get('top_risk_factors', []))

    from collections import Counter
    team_risk_drivers = Counter(all_factors).most_common(3)

    return {
        'high_risk_pct': round(high_risk / total * 100, 1),
        'medium_risk_pct': round(medium_risk / total * 100, 1),
        'team_risk_drivers': team_risk_drivers,
        'anonymized': total < 5  # флаг: не показывать детали малых команд
    }

Інтеграція: Okta/Azure AD для авторизації, Slack API для активності (за згодою), GitHub/GitLab timestamps, Google/Outlook Calendar API. Дані - тільки агрегати, raw події видаляються через 24 години.

Терміни: Базові behavioural features + risk score + HR dashboard - 4-5 тижнів. ML-модель, team analytics, GDPR-compliant зберігання, інтеграції з Slack/Jira/Calendar - 2-3 місяці.