Всем доброе утро Вопрос. Пришли HR - хотят модель, которая будет

предсказывать увольнения на текущий и следующий месяц с точностью выше 80% и помечать, в какой группе риска находится сотрудник.

Бест практик по данной задаче мне не знаком - полез гуглить. Из того что нашел:
1. Модель дожития (статья с хабры участника этого канала - Илья Шутов - модель дожития). За статью отдельный респект👍
2. Бинарная классификация

Есть какие то советы, в какую сторону еще посмотреть, или статьи/блог в котором можно инфу полезную подчерпнуть? (камушки подводные и прочее) - Пример https://edwvb.blogspot.com/

Моделей и методик таких много, но что они предлагают в рамках исходных даных?

на каком-то р митапе забугорном было выступление специалиста, который как раз про это рассказывал - предсказание увольнений. Вроде у него стек был h2o + lime + shiny для визуализации. поищу

На business-science.io года 3 назад серия была

да, кажется это оно

а просто градиентным бустингом нельзя бинарную классификацию сделать? А группу риска на основе вероятности ухода присваивать

100%

https://business-science.shinyapps.io/hr_analytics_attrition_app/ вот как пример того, что делалось. Вот выступление на rstudio::conf https://www.youtube.com/watch?v=9VztG5c1bwk

🔥. Тоже заценю)) Спасибо всем за помощь

С продавцами важно учитывать каких заказчиков они ведут. Есть жирные коты, а есть тощие коровы. С последней хоть 24 часа в сутки паши - не снимешь сделок больше чем определенный порог. +1 сделка может вымотать так, что пожалеешь 100 раз, что ввязался

Илья, я наверно не верно уточнил)) Продавцы в магазине, работающие в живую с трафиком. 117 магазинов, 2.5-3к продавцов. Магазины различаются между собой, по этому смотрю не средние показатели по компании, а внутри магазина

Этих через process mining можно адресно на ковёр таскать, видно все как на ладони

Тоже посмотрим, что за фрукт и как кушать. Спасибо))

Только аккуратно. ООН не приветствует применение оружия массового поражения

У меня к вам простой вопрос: ну сделаете вы модельку, ну посчитаете вероятность входа сотрудника. Кому будет доступна эта информация? Кто и как будет принимать решения и какие решения?

Без понятия. Задача прилетела из соседнего отдела. На сколько я понял, будут отсматривать эффективных сотрудников, которые находятся в зоне риска увольнения и заранее будут проводить с ними беседы, что бы избежать потери хороших продавцов. Допом может быть работа с влияющими факторами на увал. Например - если первую большую часть сотр мы будем терять на этапе исп срока, возможно стоит будет работать именно с группой новичков (доп обучение, повышение % бонуса и тд) Это только мои мысли, как оно по факту будет, я вам точно не скажу

чего только не придумают, лишь бы ЗП не поднимать

Строил такие модели, для нескольких клиентов в бытность в консалтинге. С предикторами надо разбираться, всегда много коллинеарности, надо схлопывать факторы. По факту модели бесполезны. На физическом уровне - когда становится понятно, что человек собрался - обычно удерживать поздно. Да и часто нечем. Люди хотят понятного. Больше денег, больше карьеры, нормального руководства, понятных целей. Все это можно дать и без модели, нет трюка. В практике - вкладываться в удержание готовы в отдельных случаях и никакого преимущества модель не дает.

100%.

+100500

Уже натыкался на статью, где показывают на "бесполезность" подобных моделей. Если культура внутри компании присутствуют, уменьшается общая доля подобных увольнений. Я пришел к выводу, что автор статьи предлагает не создавать модели (т.к. все основные причины известны за ранее) - а начать работать сразу с ними. Это тоже верно, но опять же, это не дает понимания наличий неких "границ", перейдя которые уже можно кого-то потерять. В моем понимании, компания для удержания сотрудника, должна вести работу на всех фронтах и оценивать свою работу как раз по подобным оцифрованным данным. Иначе получается компания будет вести работу "в темноте".

для этого вроде как достаточно практики выходных интервью с развернутым вопросом "че ушел"

Да, но информация будет получена уже после увольнения. И не совсем понятно будет - могла ли компания это остановить или не была заинтересована в этом.

Я, прошу прощения, но начал бы с вопроса как они это планируют встраивать в процессы. Работая не первый год HR-аналитиком, знаю одно - это потом не живет. А задачка интересная

Это все не очень четко - могла/ не могла - больше вопрос желания. Но думаю что это офтом уже)

+1. Именно вопрос желания

Я бы сконцентрировался на постановке вопроса по-другому: важно не почему человек уволился, а почему он проработал столько сколько проработал. Что влияет на длительность работы. Анализ выживаемости даст больше (мой личный опыт), чем логистическая регрессия (не используйте ее для предикта увольнения). Постарайтесь не использовать в модели пол и возраст, а также показателей KPI. Необходимо чтобы вам были предоставлены те оцифрованные показатели, на которые реально есть возможность влиять. Вот они и должны быть в модели. Например, у меня в качестве одного из предикторов хорошо выстрелила ротация сотрудников между магазинами.

интуитивно это понимал, а вы прям текстом мне оформили. Спасибо)) Особенно за пол и возраст. Попробую без них обязательно. А что значит ротация? как часто переводился из одного магазина в другой?

главный фактор - наличие офферов от конкурентов

Да, как частота, так и сам факт ротации: типа работал только на одном/переводился, и сколько таких переводов

Запомню Андрей - про оффер тоже спасибо. Попробую у ычаров вытащить эту инфу)

Ну там есть копнуть глубже, оказывается, что на частоту ротации влияет климат на магазине, люди готовы были уволиться, но остались благодаря переходу в другой коллектив.