Разработка AI-системы Workforce Planning прогнозирование кадровых потребностей

Разработка AI-системы Workforce Planning прогнозирование кадровых потребностей

Workforce Planning — стратегическое планирование потребности в персонале на 1-3 года. Разрыв между потребностью и наличием персонала приводит к потере бизнеса (при дефиците) или лишним расходам на ФОТ (при избытке). AI-прогнозирование снижает этот разрыв на 30-50%.

Компоненты Workforce Planning

Supply Model (наличие персонала):

• Текущая численность по должностям и уровням
• Прогноз убыли: увольнения (churn prediction), выход на пенсию, декрет
• Плановые изменения: промоция, переводы, реструктуризация
• Прогноз доступности: как изменится supply при текущей HR-политике

Demand Model (потребность в персонале):

• Прогноз бизнес-метрик: выручка, объём производства, количество клиентов
• Нормативы производительности: выручка на сотрудника, обращений на оператора
• Demand = Business Volume / Productivity Norm

Gap Analysis:

def workforce_gap(demand_forecast, supply_forecast):
    gap = demand_forecast - supply_forecast
    return {
        'surplus': gap[gap > 0],
        'deficit': gap[gap < 0],
        'by_role': gap.groupby('job_family').sum(),
        'by_location': gap.groupby('location').sum()
    }

Supply Forecasting

Retention модель: На основе churn prediction (отдельная ML-задача), с разбивкой по должностям и уровням.

Retirement модель: Для стран с ранним выходом на пенсию — важная компонента. Входные данные: возрастная пирамида, пенсионный возраст, история выхода на пенсию по должности.

Internal mobility: Исторические данные о частоте промоций, переводов, ротации между отделами. Markov chain model:

# Transition matrix между уровнями (Junior → Mid → Senior → Lead)
transition_matrix = calculate_historical_transitions(hr_data)
# P(перейти на следующий уровень за год) по каждой должности

Supply Simulation: Monte Carlo симуляция: 1000 сценариев для каждой должностной группы, с учётом вероятностных переходов.

Demand Forecasting

Драйверы потребности:

Productivity drivers: Производительность не константа — меняется при автоматизации, обучении, изменении mix задач.

def demand_forecast(business_volume_forecast, productivity_model):
    """
    Business volume (выручка, объём) × прогнозируемая производительность
    → потребность в FTE (Full-Time Equivalents)
    """
    base_fte_need = business_volume_forecast / productivity_model.baseline
    # Корректировки на автоматизацию
    automation_saving = productivity_model.automation_impact_3y
    adjusted_fte = base_fte_need * (1 - automation_saving)
    return adjusted_fte

Scenario Planning

Workforce Planning должен включать сценарный анализ:

Сценарии:

• Базовый: рост выручки 12% YoY, производительность +3%
• Оптимистичный: рост 20%, производительность +5%
• Консервативный: рост 5%, стагнация производительности
• M&A: поглощение конкурента (+300 FTE)

Для каждого сценария — FTE потребность, gap, план найма.

Plan → Action

Recruitment Plan: Gap × время на закрытие вакансии = сроки начала найма.

• Senior Engineer: time-to-hire 90-120 дней → начать найм за 4-5 месяцев
• Junior Analyst: time-to-hire 30-45 дней → 2 месяца

L&D (Learning & Development) Plan: Если gap в навыках (skill gap) — программы переобучения внутри компании дешевле внешнего найма.

Succession Planning: High-risk должности (ключевые, без замены) → ранняя идентификация преемников.

Integrations:

• SAP SuccessFactors Workforce Planning
• Workday Adaptive Planning
• 1С:ЗУП 3.1 (российские компании)
• Oracle HCM Cloud

Метрики системы:

• Workforce gap accuracy: точность прогноза на 12 месяцев ±10%
• Time-to-fill improvements: сокращение незакрытых вакансий
• Workforce cost variance: план vs. факт ФОТ

Сроки: базовая demand+supply модель с gap analysis и Excel-отчётами — 6-8 недель. Полноценная система со сценарным анализом, succession planning и HRIS-интеграцией — 4-5 месяцев.