Разработка AI-системы для прогнозирования увольнений

Разработка AI-системы для прогнозирования увольнений

Предсказание добровольных увольнений сотрудников — HR-задача с прямым финансовым эффектом. Замена одного сотрудника стоит 50-200% его годовой зарплаты (рекрутинг, онбординг, потеря производительности). AI-система выявляет сотрудников с высоким риском за 1-3 месяца до увольнения, когда retention ещё возможен.

Этические и правовые ограничения

Прежде чем начать — ключевые ограничения:

152-ФЗ / GDPR:

• Явное согласие сотрудника на обработку персональных данных для предиктивного анализа
• Не использовать данные для автоматических HR-решений (только как подддержку)
• Право на объяснение и оспаривание предсказания

Этические границы:

• Не использовать данные личной переписки
• Не применять скрытое биометрическое наблюдение
• Прозрачность: сотрудники должны знать, что система существует (не обязательно детали)

Без этих ограничений система создаёт токсичную культуру и нарушает закон.

Данные для модели

HR-система (ок. 80% предиктивной силы):

hr_features = {
    # Карьерный трек
    'months_since_last_promotion': months,
    'promotions_count_3y': count,
    'salary_vs_market': salary / market_benchmark,
    'performance_rating_last': rating_1_to_5,
    'performance_trend': rating_last - rating_prev,

    # Вовлечённость
    'training_hours_annual': hours,
    'projects_participated': count,
    'internal_transfers_requested': count,

    # Рабочие условия
    'average_work_hours_weekly': hours,
    'remote_work_days_weekly': days,
    'manager_tenure': months_with_current_manager,
    'team_size': headcount,

    # Демографические (с осторожностью и fairness-аудитом)
    'tenure_months': total_months_at_company,
    'department': department_encoded
}

Engagement-опросы: eNPS (Employee Net Promoter Score), pulse surveys: "Порекомендуете ли работодателя?", "Довольны ли менеджером?", "Видите ли карьерные перспективы?"

Система контроля доступа:

• Аномально много рабочего времени за пределами офиса
• Изменение паттернов прихода/ухода

С разрешения и в агрегированном виде:

• Частота использования HR-системы для просмотра льгот (может означать сравнение с рынком)
• Заявки на отпуск: много дней сразу = возможно, берёт паузу перед уходом

Модель и таргет

Определение таргета: добровольное увольнение в течение следующих 90 дней.

Несбалансированность: типично 5-15% текучесть в год = 1.5-4% за квартал. SMOTE или class_weight для балансировки.

Алгоритм: LightGBM с SHAP для объяснений. Каждый сотрудник в high-risk категории получает top-3 фактора риска — конкретные причины для HR-менеджера.

Segment-level анализ

Помимо индивидуального скора, анализ по сегментам:

Cohort analysis: Какие когорты нанятых в конкретный период увольняются быстрее? Если cohort 2022-Q3 имеет 2× отток — что произошло при их найме/онбординге?

Department risk radar: Отделы с системно высоким риском увольнений → системная проблема (плохой менеджмент, неконкурентная компенсация, скучные задачи).

Manager effectiveness: Сотрудники под конкретным менеджером увольняются в 3× чаще среднего → флаг для HR.

Retention actions

Матрица действий:

Эффективность измеряем через A/B: Рандомизируем retention interventions по high-risk группе, измеряем retention rate vs. control.

Дашборд для HR

• Workforce risk heat map по отделам
• Top-10 individual risk с факторами
• Trend: как меняется общий риск увольнений по компании
• Forecast: ожидаемое число увольнений в следующие 90 дней (для планирования рекрутинга)

Интеграция с HRIS: SAP SuccessFactors, Workday, 1С:ЗУП — API для получения HR-данных и записи risk scores.

Сроки: базовая модель на HR-данных из HRIS — 4-5 недель. Полноценная система с SHAP-объяснениями, дашбордом и HRIS-интеграцией — 3-4 месяца.