Удержать или отпустить: управление персоналом в стиле data-driven

Кадровые службы крупных организаций становятся одними из значимых потребителей аналитических решений. В условиях дефицита квалифицированных кадров многие компании используют все шансы для борьбы за лояльность своих сотрудников и предотвращение их оттока. Ряд компаний уже заявили о создании инструментов, предсказывающих вероятность ухода сотрудников. Никита Черкасенко, директор департамента HRM-технологий и аналитики ПАО «Ростелеком», рассказывает об используемых при этом подходах и достигнутых результатах. Более детальную информацию на эту тему можно получить на Международной практической конференции «Технологии искусственного интеллекта — 2019», которая состоится 22 мая.

Чем могут помочь технологии современным HR-департаментам?

Требования компаний к качеству функции управления людьми повышаются: доля стоимости HR в структуре расходов бизнеса растет. Более того, благодаря автоматизации возросло качество практик управления другими ресурсами. Закономерно, что сегодня бизнес ждет такого же качества работы со стороны подразделений, отвечающих за кадры. При этом масштабное проникновение информационных технологий в нашу повседневную жизнь и бизнес, а также сформировавшиеся пользовательские привычки получать мгновенный доступ к удобным и бесплатным сервисам существенно повышают планку ожиданий от корпоративных сервисов и систем. Если на этапе проектировния не включать в бизнес-процессы преимущества, которые дает использование ИТ, то в самом ближайшем будущем такие бизнес-процессы будут не просто малоэффективными, а неэффективными в принципе — это неизбежно в условиях цифровой трансформации. Безусловно, меняется и роль HRM как подразделения и профессиональной команды: мы должны лучше разбираться в средствах, которые нам предлагает ИТ-рынок, и применять их в цифровой трансформации своих процессов — иными словами, оставаясь «экспертами по людям», мы должны учиться работать с данными и опираться на них в принятии решений.

Какие задачи ставит бизнес непосредственно перед вами?

Перед моим подразделением стоят задачи повышения эффективности процессов управления персоналом за счет их автоматизации, создания и запуска новых сервисов для сотрудников, а также задачи по регулярной аналитике.

Каково доверие менеджмента к цифровым предсказательным моделям и за счет чего его можно добиться? Как на практике выглядит решение, предсказывающее поведение сотрудника?

У руководителя есть доступ к нескольким дэшбордам, позволяющим ему ориентироваться в основных параметрах, связанных с управлением персоналом, таких как численность, ее динамика, стоимость, структура, укомплектованность и другие. Можно получить отдельный отчет, который позволяет увидеть вероятность ухода того или иного сотрудника по собственному желанию в течение ближайшего квартала, а также оценить факторы, которые внесли наибольший вклад в формирование прогноза в каждом случае. Конечно, никакая лампочка на рабочем столе руководителя не загорается и никаких регламентов насчет его дальнейших действий нет. Сам отчет — это одно из аналитических средств для руководителя и его HR-бизнес-партнера, которое позволяет работать с этой категорией рисков, например, заранее планируя подбор ключевых сотрудников или проактивно занимаясь их удержанием.

Откуда берутся данные для создания моделей и какие платформы используются?

Модели используют информацию из основных HR-систем — это данные, связанные с возрастом, стажем, вознаграждением и т. д. Также мы используем данные Росстата, дающие нам «поправку» на локальные рынки труда, а также количественные данные из корпоративной переписки (например, сколько времени сотрудник тратит на работу с почтой в нерабочее время). Сама модель написана на открытом коде — использован язык Python и его стандартные библиотеки для работы с данными.

Возможно ли пойти дальше и предварительно оценить причины снижения лояльности сотрудника, лежащие не на поверхности?

Поскольку мы используем механизм классификации, то вместе с итоговым значением вероятности ухода имеем возможность проследить и дерево «причин». Это тот самый набор гипотез, проверяя которые, можно выйти на актуальные проблемы в подразделении.

Каких результатов удалось достичь? Проводилась ли оценка экономического эффекта?

Еще в 2018 году мы посчитали эффект от удержания нескольких ключевых сотрудников, риск ухода которых предсказали. Упущенная выгода в случае их ухода была бы многократно выше полной стоимости разработки модели и регулярного построения прогноза. Больше мы к этому вопросу не возвращались: эксперимент окупился, а стоимость владения моделью сейчас сводится к стоимости аренды весьма скромной виртуальной машины.

В каких направлениях планируется развивать прогнозные модели, ориентированные на персонал?

Сейчас мы сфокусировались на поиске факторов повышения производительности труда. Понятно, что есть объективные причины для различной производительности в разных регионах — например, связанные с разницей в технологиях связи, протяженностью и структурой сетей, расстояниями, продолжительностью отпусков и пр. Но есть часть различий в производительности, которую этими факторами не объяснишь. Вот ее мы и хотим раскрыть, а дальше предсказывать и, в идеале, влиять на нее.

О чем вы планируете рассказать в ходе своего выступления и что хотели бы услышать?

Планирую рассказать о том, как мы используем прогноз и как развиваем модель. Хотел бы услышать о похожем опыте других компаний — насколько я знаю, его уже немало.