Увольнение - это процесс, при котором рабочая сила в компании сокращается после периода, когда ряд людей уходит на пенсию или уходит в отставку, и не требует быстрой текучести кадров.

Сокращение числа сотрудников из-за увольнения часто называют заморозкой найма. Увольнение также рассматривается как менее навязчивый способ сокращения рабочей силы и сокращения заработной платы, а не увольнений.

ПОЧЕМУ важен анализ отсева?

  • Увеличение нагрузки на других сотрудников, не являющихся увольняемыми. Каковы последствия высокой убыли?
  • Снижение производительности компании
  • Может увеличить шансы на увольнение/уход других сотрудников из компании

Итак, цели:

  • Проанализируйте полный набор данных с каждой из его функций и узнайте, каковы причины увольнения сотрудников.
  • Найдите основные факторы, вызывающие увольнение сотрудников.

Вы можете найти набор данных здесь.

Коэффициент отсева

По данным Statista.com, средняя убыль компаний, оказывающих профессиональные услуги, в мире в период с 2015 по 2020 год составляет менее 15%, а самая высокая — 16%.

Согласно использованным данным, показатель убыточности этой компании достигает 16,1%. Это говорит о том, что компания стоит на пороге, и надо остановить рост убыли. Поэтому модели машинного обучения будут использоваться, чтобы помочь этой компании выявлять сотрудников с потенциальным увольнением, чтобы можно было предотвратить увольнение.

Основываясь на данных этой компании, можно выделить несколько характеристик увольняемых сотрудников:

  1. Пол

В убыли сотрудников в этой компании преобладают лица мужского пола (17%).

2. Вовлеченность в работу

Сотрудники с вовлеченностью в работу 3, как правило, увольняются.

3. Департамент

Сотрудники отделов продаж и управления персоналом чаще увольняются.

4. Повышение зарплаты

Получается, что увеличение зарплаты не происходит по мере роста вовлеченности в работу.

5. Уровень опциона на акции

Согласно графику, уровень опционов на акции является фактором удержания сотрудников. То есть предоставление запасов может удерживать работников.

Прежде чем использовать машинное обучение, мы должны сначала выполнить предварительную обработку данных. Нет пропущенных значений и повторяющихся данных, но все еще есть категориальные данные, которые необходимо изменить, и масштаб числовых данных все еще необходимо масштабировать.

Вот поток обработки данных:

Используя правило квартилей, выбросы данных были удалены. Затем выполняется кодирование признаков для преобразования категориальных строк в числовые. Используемое преобразование признаков — это нормализация всех данных. Наконец, обучающие и тестовые данные были разделены с соотношением 80:20. Но у нас есть проблема, сравнение целевых значений отсева слишком далеко, поэтому требуется балансировка данных. Здесь я выбираю метод SMOTE.

Модель, которую я использовал в этом случае, — это логистическая регрессия. Вот функция для оценки модели, которую я использовал:

Я сосредоточился на метрике оценки отзыва, потому что хотел сосредоточиться на ложноотрицательных результатах. Я думаю, что лучше относиться к сотрудникам, которые на самом деле не сокращаются, чем игнорировать сотрудников, которые действительно сокращаются. В то время как оценка AUC используется, потому что она чувствительна к данным дисбаланса.

Эта оценка окажет хорошее влияние, поскольку повысит удовлетворенность сотрудников компанией и уменьшит вероятность увольнения других сотрудников. Мы уделяем этому особое внимание, потому что, согласно нашему исследованию, затраты на найм больше, чем удержание сотрудников. Наилучшие результаты, которые мы получили на данный момент, составляют 0,85 для набора поездов и 0,89 для тестового набора.

С оценкой отзыва 89% из общего числа 28 человек, 25 смогли правильно предсказать. С помощью этой модели я выполнил моделирование результатов и последствий для этой модели.

С этой моделью мы получим прибыль до 6 раз больше, чем затраты. На рисунке ниже показан один из результатов оценки важности этой модели логистической регрессии. Видно, что наши три главных функции, которые положительно влияют на отсев, — это Деловые поездки, С течением времени и Годы с момента последнего продвижения по службе. Порядок этих графиков показывает, какое влияние эти функции оказывают на цель (Истощение).

Учитывая важность этой функции, мы можем порекомендовать некоторые бизнес-рекомендации.

  1. Деловая поездка
  • Успешная поездка в деловых поездках — это то, что должно быть приоритетом, потому что неудачная деловая поездка часто нарушает психологию сотрудников, поэтому первое, на что следует обратить внимание, — это выбор сотрудников, у которых есть потенциал и которые являются лучшими в своих областях, путем отбора в время приема на работу (Технический и практический тест), чтобы они могли убедиться, что сотрудник готов отправиться в командировку.
  • Обеспечьте поддержку для укрепления психологического состояния сотрудников в результате командировок, например, в виде советов по поездкам, чтобы сотрудники могли быстро адаптироваться и снизить уровень стресса, вызванного командировками. Контроль и оценка СОП, чтобы командировки проходили оптимально.

2. Со временем

  • Линейные менеджеры/супервайзеры создают четкие и измеримые планы работы для сотрудников на основе KPI (ключевых показателей эффективности).
  • Линейный руководитель/супервайзер создает данные мониторинга и оценивает производительность каждого сотрудника
  • Непосредственный руководитель/супервайзер проводит инструктаж и разрабатывает СОП, чтобы проделанная работа сводила к минимуму возможность сверхурочной работы.
  • Используйте «Программное обеспечение для планирования» для планирования сотрудников

3. Годы с момента последнего повышения

Обеспечьте непрерывное обучение сотрудников, оснащенных:

  • Контрольный список Навыки наблюдения
  • Отслеживание прогресса навыков и темпа работы
  • Количественная оценка и квалификация результатов проведенного коучинга

Вывод .
Основываясь на результатах моделирования и симуляции, компания может сэкономить до шести раз на затратах на удержание.