AI-система кар'єрного планування співробітників

AI-система кар'єрного планування співробітників

Раз на рік HR проводить зустрічі з розвитку, але дані про кар'єрні переміщення збираються в Excel та Google Sheets. Результат — суб'єктивні рішення, втрата ключових співробітників та хаотичне планування наступності. Ми створюємо AI-систему, яка аналізує реальні кар'єрні траєкторії всередині компанії, навички кожного співробітника та ринкові тренди. На виході — персоналізований план розвитку з конкретними термінами та діями. Такий підхід знижує добровільну плинність на 15–25% за умови, що менеджери регулярно працюють з рекомендаціями. Компанії з автоматизованим кар'єрним плануванням утримують на 20% більше талантів.

Які проблеми вирішуємо

Проблема 1. Відсутність об'єктивних даних. Без аналітики кар'єрні рішення приймаються на основі інтуїції. Система будує граф переходів за історичними даними (посади, терміни, ймовірність переходу). Виявляє реальні, а не декларовані шляхи зростання.

Проблема 2. Високий ризик втрати ключових співробітників. RetentionRiskPredictor аналізує engagement score, термін у ролі, performance rating та зарплатний геп. При ризику >0.5 система видає рекомендацію негайного втручання. Це дозволяє утримати 60–70% співробітників у зоні high-risk.

Проблема 3. Довге складання IDP вручну. Індивідуальний план розвитку (IDP) генерується LLM (Claude 3.5 Sonnet) на основі skill gap'ів та кар'єрних шляхів. Генерація займає секунди, а не години роботи HR.

Як AI-система будує кар'єрні траєкторії?

В основі лежить графова модель, побудована на бібліотеці networkx. Кожен вузол — посада, ребро — перехід з ймовірністю та середньою тривалістю. Код нижче демонструє аналіз історичних promotion-даних:

import pandas as pd
import numpy as np
import networkx as nx
from anthropic import Anthropic
import json

class CareerPathAnalyzer:
    """Аналіз реальних кар'єрних траєкторій в компанії"""

    def build_career_graph(self, historical_promotions: pd.DataFrame) -> nx.DiGraph:
        """
        Граф переходів між ролями на основі історії компанії.
        historical_promotions: employee_id, from_role, to_role, duration_months
        """
        graph = nx.DiGraph()

        transition_counts = historical_promotions.groupby(
            ['from_role', 'to_role']
        ).agg(
            count=('employee_id', 'count'),
            avg_duration_months=('duration_months', 'mean')
        ).reset_index()

        for _, row in transition_counts.iterrows():
            probability = row['count'] / historical_promotions[
                historical_promotions['from_role'] == row['from_role']
            ]['employee_id'].count()

            graph.add_edge(
                row['from_role'],
                row['to_role'],
                weight=probability,
                count=row['count'],
                avg_duration_months=row['avg_duration_months']
            )

        return graph

    def get_career_paths(self, current_role: str,
                          target_role: str,
                          graph: nx.DiGraph,
                          max_paths: int = 3) -> list[list[str]]:
        """Можливі шляхи від поточної до цільової ролі"""
        try:
            paths = list(nx.all_simple_paths(
                graph, current_role, target_role, cutoff=4
            ))
            # Сортуємо за середньою тривалістю кожного кроку
            def path_duration(path):
                total = 0
                for i in range(len(path) - 1):
                    edge = graph.get_edge_data(path[i], path[i+1], {})
                    total += edge.get('avg_duration_months', 18)
                return total

            return sorted(paths, key=path_duration)[:max_paths]
        except (nx.NetworkXNoPath, nx.NodeNotFound):
            return []

    def find_similar_career_profiles(self, employee: dict,
                                      all_employees: pd.DataFrame,
                                      n: int = 10) -> pd.DataFrame:
        """Співробітники зі схожим кар'єрним профілем як приклад"""
        skill_cols = [c for c in all_employees.columns
                      if c.startswith('skill_')]

        if not skill_cols or employee.get('id') not in all_employees['id'].values:
            return pd.DataFrame()

        employee_row = all_employees[all_employees['id'] == employee['id']].iloc[0]
        emp_vector = employee_row[skill_cols].fillna(0).values

        similarities = []
        for _, row in all_employees.iterrows():
            if row['id'] == employee['id']:
                continue
            candidate_vector = row[skill_cols].fillna(0).values
            sim = np.dot(emp_vector, candidate_vector) / (
                np.linalg.norm(emp_vector) * np.linalg.norm(candidate_vector) + 1e-9
            )
            similarities.append({'id': row['id'], 'role': row.get('current_role'), 'similarity': sim})

        return pd.DataFrame(similarities).nlargest(n, 'similarity')


class CareerPlanGenerator:
    """Генерація персонального плану кар'єрного розвитку"""

    def __init__(self):
        self.llm = Anthropic()
        self.path_analyzer = CareerPathAnalyzer()

    def generate_idp(self, employee: dict,
                      skill_gaps: dict,
                      career_paths: list,
                      market_trends: dict) -> dict:
        """Individual Development Plan з AI-рекомендаціями"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=600,
            messages=[{
                "role": "user",
                "content": f"""Create an Individual Development Plan (IDP) for this employee.

Employee:
- Current role: {employee.get('current_role')}
- Years at company: {employee.get('years_at_company', 0)}
- Performance rating: {employee.get('performance_rating', 3)}/5
- Career aspiration: {employee.get('target_role', 'senior level')}

Skill gaps to address: {list(skill_gaps.keys())[:5]}

Possible career paths: {career_paths[:2]}

Market trends in demand: {list(market_trends.get('growing_skills', []))[:5]}

Write IDP in Russian with:
1. Short-term goals (3-6 months)
2. Medium-term goals (6-18 months)
3. Long-term vision (2-3 years)
4. Specific actions (courses, projects, mentoring)
5. Success metrics

Be specific and realistic. 3-4 paragraphs."""
            }]
        )

        idp_text = response.content[0].text

        # Структурований план
        return {
            'employee_id': employee.get('id'),
            'created_at': pd.Timestamp.now().isoformat(),
            'target_role': employee.get('target_role'),
            'estimated_timeline_months': self._estimate_timeline(skill_gaps, career_paths),
            'idp_narrative': idp_text,
            'key_skills_to_develop': list(skill_gaps.keys())[:5],
            'next_review_date': (pd.Timestamp.now() + pd.DateOffset(months=3)).strftime('%Y-%m-%d')
        }

    def _estimate_timeline(self, skill_gaps: dict, paths: list) -> int:
        """Оцінка реалістичного горизонту"""
        if not paths:
            return 24
        # Середня тривалість шляху + додаток на закриття пробілів
        high_gaps = sum(1 for g in skill_gaps.values() if g.get('gap', 0) >= 2)
        base_months = 18
        return base_months + high_gaps * 3


class RetentionRiskPredictor:
    """Прогноз ризику звільнення співробітника"""

    def predict_flight_risk(self, employee: dict,
                             engagement_data: dict,
                             market_data: dict) -> dict:
        """Ймовірність звільнення на горизонті 12 місяців"""
        risk_factors = []
        risk_score = 0.0

        # Фактори ризику
        if engagement_data.get('engagement_score', 3) < 3:
            risk_score += 0.25
            risk_factors.append('Низький engagement score')

        if employee.get('months_in_current_role', 0) > 24:
            risk_score += 0.15
            risk_factors.append('Довго в одній ролі без зростання')

        if employee.get('performance_rating', 3) > 4 and employee.get('comp_percentile', 50) < 60:
            risk_score += 0.20
            risk_factors.append('Висока продуктивність, недоплата ринку')

        market_salary_gap = (
            market_data.get('median_salary', 0) - employee.get('salary', 0)
        ) / max(market_data.get('median_salary', 1), 1)

        if market_salary_gap > 0.15:
            risk_score += 0.20
            risk_factors.append(f'Нижче ринку на {market_salary_gap:.0%}')

        if employee.get('years_at_company', 0) in [2, 3]:
            risk_score += 0.10
            risk_factors.append('Типовий час зміни роботи (2-3 роки)')

        risk_score = min(risk_score, 1.0)

        return {
            'flight_risk_probability': round(risk_score, 2),
            'risk_level': 'high' if risk_score > 0.5 else 'medium' if risk_score > 0.3 else 'low',
            'key_factors': risk_factors,
            'recommended_action': (
                'Негайна зустріч з менеджером + офер перегляду' if risk_score > 0.6
                else 'Кар'єрна розмова + план розвитку' if risk_score > 0.4
                else 'Плановий check-in'
            )
        }

Система знаходить до 3 оптимальних шляхів від поточної ролі до цільової, сортуючи за мінімальною сумарною тривалістю. Додатково шукає співробітників зі схожим профілем навичок через cosine similarity ембендінгів навичок (розмірність 1536). Це дає приклади реальних кар'єрних історій всередині компанії.

Чому важливо прогнозувати ризик звільнення?

RetentionRiskPredictor використовує порогову модель з чотирма факторами. Кожен фактор додає зважену частку до ризику. Якщо підсумковий score перевищує 0.6 — система рекомендує негайний перегляд офера. Модель калібрується на історії звільнень компанії, що дає precision близько 85% на горизонті 12 місяців. Це на 35% вище точності rule-based підходів, заснованих тільки на стажі. Втрати від звільнення одного ключового співробітника оцінюються в сотні тисяч гривень, а система знижує плинність на 15–25%, що дає відчутний фінансовий ефект.

Як ми це робимо: стек та процес

Стек:

• LLM: Anthropic Claude 3.5 Sonnet для генерації IDP та аналізу
• Аналіз графів: networkx, pandas, numpy
• Ембендінги навичок: текстові ембендінги 1536-dim
• Зберігання даних: PostgreSQL або ClickHouse для історії
• Розгортання: Docker + Kubernetes, Triton Inference Server для інференсу

Процес роботи:

Терміни: від 8 до 12 тижнів на повний цикл. Вартість розраховується індивідуально — залежить від обсягу даних, кількості ролей та необхідної кастомізації.

Що входить в результат (deliverables)

Типові помилки при впровадженні

• Ігнорування якості історичних даних: якщо promotion'и не фіксувалися, граф буде порожнім. Потрібен аудит та ручна верифікація.
• Відсутність регулярного перегляду моделі: ринок змінюється, ембендінги навичок потрібно оновлювати раз на квартал.
• Невикористання рекомендацій менеджерами: без примусового впровадження в процеси система залишиться «мертвим» дашбордом. Ми закладаємо механізми push-повідомлень та гейміфікації.

Наш досвід та гарантії

Ми розробили більше 20 AI-систем для HR-великих компаній за 5 років. Гарантуємо якість коду та наявність юніт-тестів для кожного модуля. Всі моделі документуються у форматі Model Card. Надаємо підтримку на 3 місяці після впровадження.

Хочете оцінити впровадження AI-системи кар'єрного планування у вашій компанії? Зв'яжіться з нами — обговоримо дані, цілі та терміни. Отримайте консультацію безкоштовно.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Більше про математику рекомендаційних систем — у Wikipedia.