Розробка AI-системи для прогнозування звільнень

Розробка AI-системи для прогнозування звільнень працівників

Прогнозування добровільних звільнень сотрудніків — HR-завдання з прямим фінансовим ефектом. Заміна одного сотрудника коштує 50-200% його річної зарплати (рекрутинг, онбординг, втрата продуктивності). AI-система виявляє сотрудніків із високим ризиком за 1-3 місяці до звільнення, коли утримання ще можливе.

Етичні та юридичні обмеження

Перед тим, як почати — ключові обмеження:

152-ФЗ / GDPR:

• Явна згода сотрудника на обробку персональних даних для предиктивного аналізу
• Не використовувати дані для автоматичних HR-рішень (лише як підтримка)
• Право на пояснення та оспорювання прогнозу

Етичні межі:

• Не використовувати дані особистого листування
• Не застосовувати приховане біометричне спостереження
• Прозорість: сотрудники повинні знати, що система існує (не обов'язково деталі)

Без цих обмежень система створює токсичну культуру та порушує закон.

Дані для моделі

HR-система (близько 80% предиктивної сили):

hr_features = {
    # Кар'єрна траєкторія
    '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,

    # Залучення
    'training_hours_annual': hours,
    'projects_participated': count,
    'internal_transfers_requested': count,

    # Умови роботи
    'average_work_hours_weekly': hours,
    'remote_work_days_weekly': days,
    'manager_tenure': months_with_current_manager,
    'team_size': headcount,

    # Демографічні (з обережністю та fairness-аудитом)
    'tenure_months': total_months_at_company,
    'department': department_encoded
}

Опитування залучення: eNPS (Employee Net Promoter Score), pulse surveys: "Порекомендуєте цього роботодавця?", "Задоволені менеджером?", "Бачите перспективи кар'єри?"

Система контролю доступу:

• Аномально довгі робочі години поза офісом
• Зміни паттернів приходу/відходу

З дозволу та в агрегованому вигляді:

• Частота використання HR-системи для перегляду льгот (може свідчити про порівняння з ринком)
• Запити на відпустку: багато днів на раз = можливо, береться пауза перед уходом

Модель та ціль

Визначення цілі: добровільне звільнення протягом наступних 90 днів.

Дисбаланс: зазвичай 5-15% текучості на рік = 1,5-4% за квартал. SMOTE або class_weight для балансування.

Алгоритм: LightGBM з SHAP для пояснень. Кожен сотрудник у категорії високого ризику отримує топ-3 чинники ризику — конкретні причини для HR-менеджера.

Аналіз на рівні сегмента

Крім індивідуальних оцінок, аналіз за сегментами:

Когортний аналіз: Які когорти найманих у конкретний період звільняються швидше? Якщо когорта 2022-Q3 має 2× відтік — що сталося при їх наймі/онбордингу?

Radar ризику відділу: Відділи з системно високим ризиком звільнень → системна проблема (погане управління, неконкурентна компенсація, нудні завдання).

Ефективність менеджера: Сотрудники під конкретним менеджером звільняються в 3× частіше за середнє → прапор для HR.

Заходи утримання

Матриця дій:

Ефективність вимірюється через A/B: Рандомізуємо втручання утримання через групу високого ризику, вимірюємо коефіцієнт утримання проти контролю.

HR Дашборд

• Карта ризику робочої сили по відділах
• Топ-10 окремих ризиків з чинниками
• Тренд: як змінюється загальний ризик звільнень компанії
• Прогноз: очікувана кількість звільнень на наступні 90 днів (для планування рекрутингу)

Інтеграція HRIS: SAP SuccessFactors, Workday, 1С:ЗУП — API для отримання HR-даних та запису оцінок ризику.

Графіки: базова модель на HR-даних з HRIS — 4-5 тижнів. Повнофункціональна система з SHAP-поясненнями, дашбордом та HRIS-інтеграцією — 3-4 місяці.