Уявіть: ваша компанія виграла великий контракт, але через місяць з'ясовується, що не вистачає інженерів-розробників, а найм senior-спеціаліста займає 100 днів. Або навпаки — після запуску продукту залишається 20% зайвого персоналу, і ФОП «з'їдає» прибуток. За досвідом наших проєктів, компанії без прогнозування кадрів втрачають до 30% виручки від не закритих вчасно вакансій і переплачують 15–20% фонду оплати праці на надлишковий штат. Ми будуємо AI-системи workforce planning, які за рахунок ML-моделей передбачають потребу в співробітниках на горизонті 1–3 роки з точністю ±10%. Наприклад, для мережі з 200 магазинів ми знизили надлишок персоналу з 18% до 4% за 6 місяців. Нижче — архітектура такого рішення та конкретні метрики.
Як AI-прогнозування знижує розрив між попитом і пропозицією?
Система будує Supply Model та Demand Model, потім виконує Gap Analysis. Згідно з Wikipedia, Workforce planning — це процес балансування попиту та пропозиції праці.
Supply Model (наявність персоналу):
- Поточна чисельність за посадами та рівнями.
- Прогноз убутку: звільнення (churn prediction), вихід на пенсію, декрет.
- Планові зміни: промоція, переведення, реструктуризація.
- Прогноз доступності за поточної HR-політики.
Demand Model (потреба в персоналі):
- Прогноз бізнес-метрик: виручка, обсяг виробництва, кількість клієнтів.
- Нормативи продуктивності: виручка на співробітника, 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() } Чому AI прогнози точніші за традиційні методи?
Традиційні підходи (експертні оцінки, трендові моделі) дають похибку ±30% вже на рік вперед. ML-моделі враховують нелінійні залежності: churn, внутрішню мобільність, вплив автоматизації. Після калібрування точність досягає ±10% на горизонті 12 місяців. Додатково Monte Carlo симуляція supply дає ймовірнісні оцінки (P50, P90) — це критично важливо для risk-based планування.
Проблеми, які вирішуємо
Дефіцит співробітників. Якщо вакансія не закрита вчасно, бізнес втрачає контракти, падає NPS. Особливо критично для IT-компаній, де time-to-hire senior-інженера — 90-120 днів. Використання workforce planning з ML дозволяє скоротити цей термін на 30%. Економія ФОП при цьому досягає 1,5–2 млн грн на рік на кожні 100 співробітників.
Надлишок персоналу. Зайві люди — це перевитрата ФОП. Наші клієнти скорочували надлишок з 20% до 5% після впровадження прогнозу. Економія ФОП досягає 20% на рік, що в грошовому вираженні становить до 2 млн грн на кожні 100 співробітників.
Невідповідність компетенцій. Skill gap вимагає перенавчання, яке дешевше зовнішнього найму. Ми включаємо L&D-рекомендації в план.
Supply і Demand моделі
Як побудувати модель пропозиції
Retention модель. На основі churn prediction (окреме ML-завдання) з розбивкою за посадами та рівнями.
Retirement модель. Для країн з раннім виходом на пенсію — важлива компонента. Вхідні дані: вікова піраміда, пенсійний вік, історія виходу на пенсію за посадою.
Internal mobility. Історичні дані про частоту промоцій, переведень, 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 Деталі Monte Carlo симуляції
Supply Simulation використовує [Monte Carlo simulation](https://en.wikipedia.org/wiki/Monte_Carlo_method): 1000 сценаріїв для кожної посадової групи з урахуванням ймовірнісних переходів. Це дає P50 та P90 оцінки supply.Модель попиту
| Галузь | Бізнес-драйвер | Workforce ratio |
|---|---|---|
| Рітейл | Продажі ₴ | Співробітників / 1М виручки |
| КЦ | Вхідні звернення | Агентів / 100 звернень на годину |
| IT-компанія | Revenue (ARR) | R&D engineers / 1M ARR |
| Банк | Кредитний портфель | Credit analysts / 1B портфель |
| Виробництво | Обсяг випуску | Робітників / одиницю продукції |
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 Аналіз розривів
Результат gap-аналізу — конкретні цифри: скільки і яких співробітників не вистачає (або надлишок) за посадами, локаціями та часовими періодами.
Що дає сценарне планування кадрів?
Workforce Planning повинен включати сценарний аналіз:
- Базовий: зростання виручки 12% YoY, продуктивність +3%
- Оптимістичний: зростання 20%, продуктивність +5%
- Консервативний: зростання 5%, стагнація продуктивності
- M&A: поглинання конкурента (+300 FTE)
Для кожного сценарію — FTE потреба, gap, план найму. Monte Carlo симуляція supply дає ймовірнісні оцінки (P50, P90) для кожного сценарію.
Plan → Action
Recruitment Plan. Gap × час на закриття вакансії = терміни початку найму. Senior Engineer: time-to-hire 90-120 днів → почати найм за 4-5 місяців. Junior Analyst: 30-45 днів → 2 місяці.
L&D (Learning & Development) Plan. Якщо gap у навичках (skill gap) — програми перенавчання всередині компанії дешевші за зовнішній найм.
Succession Planning. High-risk посади (ключові, без заміни) → рання ідентифікація наступників.
Integrations. SAP SuccessFactors Workforce Planning, Workday Adaptive Planning, 1С:ЗУП 3.1 (українські компанії), Oracle HCM Cloud.
Які метрики підтверджують ефективність?
| Метрика | До впровадження AI | Після впровадження |
|---|---|---|
| Точність прогнозу на 12 міс. | ±30% | ±10% |
| Час закриття вакансії | 90-120 днів | 60-80 днів |
| Надлишок персоналу (% ФОП) | 20% | 5% |
| Економія ФОП (на 100 співробітників) | — | 1,5–2 млн грн/рік |
Що входить в проект
- Аудит HR-даних: оцінка повноти, якості та історичної глибини.
- Побудова Supply та Demand моделей з калібруванням під бізнес.
- Gap-аналіз з деталізацією за посадами, локаціями та часовими періодами.
- Сценарне планування (базовий, оптимістичний, консервативний, M&A).
- Інтеграція з HRIS (SAP SuccessFactors, Workday, 1С:ЗУП, Oracle HCM).
- Документація архітектури, моделі та інструкції для HR-аналітиків.
- Навчання команди роботі з дашбордами та інтерпретації прогнозів.
- Постпроектна підтримка: перенавчання моделі раз на квартал.
Впровадження: від аудиту до деплою
| Етап | Тривалість | Результат |
|---|---|---|
| Аналітика | 2-3 тижні | Оцінка даних, специфікація |
| Проектування моделі | 3-4 тижні | Архітектура, вибір алгоритмів |
| Реалізація прототипу | 4-6 тижнів | Робоча модель, перші прогнози |
| Тестування та валідація | 2-3 тижні | Оцінка точності, калібрування |
| Деплой та інтеграція | 2-4 тижні | Інтеграція з HRIS, дашборди |
Терміни: базова модель з gap-аналізом — 6-8 тижнів. Повноцінна система зі сценарним аналізом, succession planning та HRIS-інтеграцією — 4-5 місяців. Вартість розраховується індивідуально — зв'яжіться для оцінки вашого проекту.
Чому обирають нас?
Більше 8 років досвіду, 30+ реалізованих проектів з AI-планування. Сертифіковані інженери з ML та HR-аналітики гарантують точність прогнозів не нижче ±15% на горизонті року. Пропонуємо рішення під ключ: від аудиту до навчання команди.
Зв'яжіться з нами для оцінки вашого проекту — ми запропонуємо оптимальне рішення. Замовте аудит HR-даних вже сьогодні і скорочіть незакриті вакансії на 30%.