Способ определения истощения до того, как истощение идентифицирует вас
Что происходит, когда кто-то уходит?
Вы как лидер находитесь в состоянии стресса. Вы должны рекламировать, проводить собеседования, проверять и нанимать.
Новый член присоединяется через месяц или два, но они не знают, что влечет за собой работа.
Таким образом, больше времени тратится на обучение и адаптацию. Новому участнику требуется еще больше времени, чтобы привыкнуть к новой работе и достичь той же производительности, что и предыдущий сотрудник.
Одновременно вы управляете разобщением в команде. Почему ушел их коллега? С ними тоже такое случится?
А как насчет вас как лидера? Сколько времени ушло на это от вашей работы? Сколько долларов это обошлось вашей компании?
Стоимость истощения
Исследование Центра американского прогресса показало, что средняя стоимость замены сотрудника составляет 20% годовой зарплаты этого сотрудника.
Согласно исследованию Deloitte, в 2015 финансовом году самый высокий добровольный уход по секторам наблюдался в секторе ИТ-услуг на уровне 21,9%, а самый низкий - в секторе энергетики и природных ресурсов (10,5%). .
Высокая стоимость убытков в сочетании с высокими показателями убытков делает их одной из самых экономически затратных проблем для компаний.
Только в Соединенных Штатах убыток составляет 536 миллиардов долларов в год.
Что мы можем сделать?
Используйте искусственный интеллект
Искусственный интеллект был быстро принят как революционный инструмент для задач, связанных с прогнозированием, и коренным образом изменил несколько отраслей.
Поэтому неудивительно, что несколько компаний пытаются предсказать истощение, используя науку о данных и искусственный интеллект.
Анализ истощения IBM
По словам Джинни Рометти, IBM получает более 8 000 резюме в день, но примерно 35 000 работников знают, кто из сотрудников в настоящее время ищет новую должность. Технология искусственного интеллекта IBM теперь на 95 процентов позволяет прогнозировать сотрудников, которые планируют уволиться с работы.
Как мы видим на графике выше, они получили эту точность, используя множество точек данных, таких как удовлетворенность сотрудников работой, возраст, должность и т. Д. ИИ до сих пор сэкономил IBM почти 300 миллионов долларов на затратах на удержание, заявила Джинни Рометти.
Итак, вот наше решение!
Соберите массу данных и проанализируйте их! Легко, правда?
Не так быстро…
Проблемы, возникающие при анализе истощения
Двумя наиболее важными факторами для точного прогнозирования истощения являются наличие большого объема данных об уходе, которые также содержат много функций.
Однако вот некоторые проблемы, с которыми сталкивается большинство организаций при сборе этой информации:
Недостаток объема
Не всегда все компании могут собрать этот огромный объем многофункциональных данных о недостаточных исторических данных об увольнении своих сотрудников, чтобы предсказать будущий уход.
Финансовые ограничения
Сбор данных требует финансовых вложений, чтобы нанять качественных специалистов по обработке данных и экспертов в предметной области, которые понимают факторы, вызывающие истощение.
Временные ограничения
Сбор данных включает интервью, анкеты, формы и т. Д. Таким образом, люди должны посвящать свое время, если они не обладают обширными данными или не имеют автоматизированных инструментов для их сбора.
Это может занять много времени, что увеличивает время цикла прогнозов и в результате снижает точность.
Конфиденциальность сотрудников
Не все сотрудники согласятся на сбор и анализ своих данных. Это приводит к противоречивым наборам данных и, как следствие, также влияет на объем данных.
Как мы собираем данные
Наше простое решение головоломки со сбором данных
Платформа, которую мы создали в Up Your Game, на постоянной основе собирает многофункциональные данные о производительности.
Данные об эффективности могут дать вам множество функций, таких как настроения сотрудников, рабочая нагрузка сотрудников и т. Д., Которые могут предсказать не только увольнение, но также вовлеченность и выгорание.
Мы считаем, что данные об эффективности в сочетании с характеристиками сотрудников могут дать надежную модель для прогнозирования выбытия.
Мы решили проблемы. Что теперь?
Анализ данных об убытии
Проще всего анализировать данные.
Инструменты ИИ
Искусственный интеллект стал настолько демократизированным, что сегодня существует несколько инструментов, которые помогают строить модели прогнозирования, практически не создавая кода. Вот некоторые:
HR-платформы на базе искусственного интеллекта
Другая альтернатива - использовать инструменты управления персоналом со встроенным интеллектом.
Платформа, которую мы создали в Up Your Game, не только собирает данные об эффективности сотрудников, но также имеет механизм искусственного интеллекта, который постоянно анализирует эти данные и делает прогнозы всякий раз, когда достигается достаточно высокая точность.
После того, как вы выбрали свое оружие, все, что нужно сделать, это указать формулировку проблемы.
В этом случае это будет означать:
Предсказать, собирается ли сотрудник увольняться ИЛИ нет
Таким образом, в ваших данных должен быть столбец, в котором будет отображаться, ушли ли ваши сотрудники:
Затем мы можем использовать эту переменную, чтобы предсказать, уйдут ли ваши нынешние сотрудники.
Но у нас есть команда Data Science
Выбор правильных алгоритмов ИИ для работы
Итак, основываясь на нашем опыте в Up Your Game, мы опробовали и протестировали несколько моделей прогнозирования истощения с использованием ряда предикторов. Мы обнаружили, что в определенных случаях одни модели работают лучше других:
Небольшие объемы данных
Ансамблевые модели, такие как Random Forest и XGBoost, лучше всего подходят для небольших, но разнообразных объемов данных. Хотя они дают точный прогноз, их сложнее интерпретировать, т. Е. труднее узнать, какие закономерности выбираются из данных.
Большой объем разнообразных данных
Использование моделей глубокого обучения будет более полезным для больших наборов данных.
Более того, они легко интерпретируемы, то есть также позволят вам увидеть, как и почему был достигнут прогноз.
Единственное ограничение заключается в том, что моделям глубокого обучения требуется больше данных, иначе они вызывают проблемы, такие как переобучение, и в конечном итоге дают неточные результаты.
Заключение
Мы можем сделать вывод, что самое важное в прогнозировании истощения - это сбор релевантных многофункциональных данных при использовании надежных инструментов для их анализа и обеспечения точного прогноза.
Если вам понравилась эта статья, пожалуйста, хлопайте в ладоши, а если у вас есть какие-либо вопросы, пожалуйста, задавайте их в комментариях.
До моего следующего блога
Удачного обучения.
