Розробка AI-системи Workforce Planning прогнозування кадрових потреб

Розробка AI-системи для Workforce Planning—прогнозування кадрових потреб

Workforce Planning — стратегічне планування потреби в персоналі на 1-3 роки. Розрив між потребою та наявністю персоналу приводить до втрати бізнесу (при дефіциті) або зайвих витрат на ФОП (при надлишку). AI-прогнозування знижує цей розрив на 30-50%.

Компоненти Workforce Planning

Supply Model (наявність персоналу):

• Поточна чисельність по посадам та рівням
• Прогноз убутку: звільнення (churn prediction), вихід на пенсію, декрет
• Планові зміни: промоція, переводи, реструктуризація
• Прогноз доступності: як змінится supply при поточній HR-політиці

Demand Model (потреба в персоналі):

• Прогноз бізнес-метрик: виручка, обсяг виробництва, кількість клієнтів
• Норми продуктивності: виручка на сотрудника, звернень на оператора
• Demand = Business Volume / Productivity Norm

Gap Analysis:

def workforce_gap(demand_forecast, supply_forecast):
    gap = demand_forecast - supply_forecast
    return {
        'surplus': gap[gap > 0],
        'deficit': gap[gap < 0],
        'by_role': gap.groupby('job_family').sum(),
        'by_location': gap.groupby('location').sum()
    }

Supply Forecasting

Retention модель: На основі churn prediction (окремої ML-задачи), з розбивкою по посадам та рівням.

Retirement модель: Для країн з раннім виходом на пенсію — важлива компонента. Вхідні дані: вікова піраміда, пенсійний вік, історія виходу на пенсію по посаді.

Internal mobility: Історичні дані про частоту промоцій, переводів, ротації між відділами. Markov chain model:

# Transition matrix між рівнями (Junior → Mid → Senior → Lead)
transition_matrix = calculate_historical_transitions(hr_data)
# P(перейти на наступний рівень за рік) по кожній посаді

Supply Simulation: Monte Carlo симуляція: 1000 сценаріїв для кожної групи посад, з урахуванням вірогідних переходів.

Demand Forecasting

Драйвери потреби:

Productivity drivers: Продуктивність не константа — змінюється при автоматизації, навчанні, зміні mix задач.

def demand_forecast(business_volume_forecast, productivity_model):
    """
    Business volume (виручка, обсяг) × прогнозована продуктивність
    → потреба в FTE (Full-Time Equivalents)
    """
    base_fte_need = business_volume_forecast / productivity_model.baseline
    # Коригування на автоматизацію
    automation_saving = productivity_model.automation_impact_3y
    adjusted_fte = base_fte_need * (1 - automation_saving)
    return adjusted_fte

Scenario Planning

Workforce Planning повинен включати сценарний аналіз:

Сценарії:

• Базовий: рост виручки 12% YoY, продуктивність +3%
• Оптимістичний: рост 20%, продуктивність +5%
• Консервативний: рост 5%, стагнація продуктивності
• M&A: поглинення конкурента (+300 FTE)

Для кожного сценарію — потреба FTE, gap, план найму.

Plan → Action

Recruitment Plan: Gap × час на закриття вакансії = графіки початку найму.

• Senior Engineer: time-to-hire 90-120 днів → почати найм за 4-5 місяців
• Junior Analyst: time-to-hire 30-45 днів → 2 місяці

L&D (Learning & Development) Plan: Якщо існує skill gap — програми внутрішнього перенавчання дешевше зовнішнього найму.

Succession Planning: High-risk посади (критичні, без заміни) → рання ідентифікація наступників.

Інтеграції:

• SAP SuccessFactors Workforce Planning
• Workday Adaptive Planning
• 1С:ЗУП 3.1 (російські компанії)
• Oracle HCM Cloud

Метрики системи:

• Workforce gap accuracy: точність прогнозу на 12 місяців ±10%
• Time-to-fill improvements: скорочення незакритих вакансій
• Workforce cost variance: план vs. факт ФОП

Графіки: базова demand+supply модель з gap analysis та Excel-звітами — 6-8 тижнів. Повнофункціональна система зі сценарним аналізом, succession planning та HRIS-інтеграцією — 4-5 місяців.