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.