Розробка AI-системи для прогнозування звільнень

Добровільні звільнення ключових співробітників б'ють по бюджету сильніше, ніж здається. Заміна одного інженера чи менеджера середньої ланки може обійтися компанії в 50–200% його річного окладу — це прямі та непрямі втрати на рекрутинг, онбординг і падіння продуктивності. Наприклад, втрата senior-розробника з окладом $100,000 обертається $150,000–$200,000 збитків. Ми розробляємо AI-системи, які передбачають ризик звільнення за 1–3 місяці до події, коли в HR ще є вікно для retention-інтервенції. Нижче — як ми будуємо такі системи з нуля, які дані використовуємо і як уникнути юридичних пасток.

Етичні та правові обмеження

Перш ніж почати — ключові обмеження. 152-ФЗ і GDPR вимагають явної згоди співробітника на обробку персональних даних для предиктивного аналізу. Заборонено використовувати дані для автоматичних HR-рішень — передбачення слугує лише підказкою для людини. Співробітник має право пояснити та оскаржити оцінку.

Етичні межі: не використовуємо особисте листування, не ведемо приховане біометричне спостереження. Система має бути прозорою для команди — співробітники знають, що вона існує, але не обов'язково деталі. Без цих рамок інструмент створює токсичну культуру та порушує закон.

Дані для моделі: що збирати та як обробляти

HR-система забезпечує близько 80% предиктивної сили. Збираємо поведінкові сигнали співробітників: кар'єрний трек (місяці з останнього підвищення, кількість промо за 3 роки, співвідношення зарплати до ринку), залученість (години навчання, проекти, запити на переведення), робочі умови (середні години на тиждень, віддалені дні, стаж у менеджера). Демографічні дані — tenure, department — з fairness-аудитом.

hr_features = {
    'months_since_last_promotion': months,
    'promotions_count_3y': count,
    'salary_vs_market': salary / market_benchmark,
    'performance_rating_last': rating_1_to_5,
    'performance_trend': rating_last - rating_prev,
    'training_hours_annual': hours,
    'projects_participated': count,
    'internal_transfers_requested': count,
    'average_work_hours_weekly': hours,
    'remote_work_days_weekly': days,
    'manager_tenure': months_with_current_manager,
    'team_size': headcount,
    'tenure_months': total_months_at_company,
    'department': department_encoded
}

Engagement-опитування (eNPS, pulse) та агреговані дані контролю доступу (аномалії робочого часу) доповнюють картину. Важливо отримувати consent на кожне джерело.

Як пояснити передбачення?

Таргет: добровільне звільнення в найближчі 90 днів. Через незбалансованість (5–15% річної плинності) використовуємо SMOTE або class_weight.

Алгоритм: LightGBM з SHAP для пояснень. Модель досягає AUC 0.87–0.92 на історичних даних. Кожному співробітнику в high-risk категорії присвоюються top-3 фактори ризику — конкретні причини для HR-менеджера.

Segment-level аналіз

Окрім індивідуального скора, аналізуємо за сегментами:

Cohort analysis: Які когорти найнятих у конкретний період звільняються швидше? Якщо cohort показує вдвічі більший відтік, це вказує на проблеми при наймі або онбордингу.

Department risk radar: Відділи з системно високим ризиком звільнень — сигнал системної проблеми: поганий менеджмент, неконкурентна компенсація, нудні завдання.

Manager effectiveness: Якщо співробітники під конкретним менеджером звільняються в 3 рази частіше середнього — флаг для HR.

Retention actions

Ефективність вимірюємо через A/B тестування рандомізованих інтервенцій — retention rate в групі втручання зростає на 20–30%.

Дашборд для HR

Workforce risk heat map по відділах, top-10 співробітників з ризиком та факторами, тренд загального ризику по компанії, forecast очікуваних звільнень на 90 днів для планування рекрутингу. Інтеграція з HRIS: SAP SuccessFactors, Workday, 1С:ЗУП — через API отримуємо дані та записуємо risk scores.

Що входить в роботу?

• Повний аудит HR-даних та етичних норм.
• Baseline-модель (LightGBM) з SHAP-поясненнями.
• Fairness-аудит та калібрування по сегментах.
• Дашборд у Power BI або аналогічній BI-системі.
• A/B-тестування retention-інтервенцій на пілотній групі.
• Документація моделі, навчання HR-команди, підтримка першого місяця.

Як побудувати модель?

1. Аудит доступних HR-даних та узгодження етичних норм.
2. Розробка baseline-моделі (LightGBM) на історичних даних.
3. Налаштування SHAP-пояснень та fairness-аудиту.
4. Створення дашборду в BI-системі або Power BI.
5. A/B-тестування retention-інтервенцій на пілотній групі.
6. Розгортання в продакшн та моніторинг дрейфу (MLOps).

Цей процес займає від 4 до 12 тижнів залежно від складності. Зв'яжіться з нами, щоб обговорити ваш кейс — ми оцінимо дані та запропонуємо рішення під ключ. Замовте пілотний проект і переконайтеся в ефективності.

За даними Harvard Business Review, компанії, які впровадили предиктивну HR-аналітику, знижують плинність на 15–20%.

Ми — команда з 7-річним досвідом в AI/ML, виконали понад 20 проектів для HR-департаментів. Гарантуємо прозорість моделі та дотримання законодавства. Отримайте консультацію — оцінимо ваш проект за 2 дні.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.