У компании не должно быть обязательной задачи бороться с текучестью

Эксклюзивная колонка Ольги Ивановой для Журнала Хантфлоу

Кандидат экономических наук, PhD, исследовательница социально-экономических аспектов управления персоналом, создательница научно-популярного канала Science of HR Ольга Иванова знакома аудитории Журнала Хантфлоу — она была спикером одной из наших конференций, а также рассказывала о важности научных данных в HR-процессах.

Сегодня мы попросили Ольгу выступить колумнисткой нашего издания и поделиться мнением о том, почему компаниям не стоит тратить ресурсы на построение прогностической модели текучести.


Ольга Иванова,
специально для Журнала Хантфлоу

Несколько раз ко мне обращались с вопросом: как построить прогностическую модель текучести. Мой ответ — никак, не нужно этим заниматься. Давайте разберемся, почему. 

Предсказать поведение сотрудника на 100% невозможно 

Первая проблема носит технический характер. Создать прогностическую модель с высоким уровнем предсказательной силы не представляется возможным ни с точки зрения объема необходимых данных, ни с точки зрения предсказуемости человеческого поведения в целом. 

Например, мета-анализ (Rubenstein, Eberly, Lee, Mitchell, 2018) показывает, что даже поиск работы коррелирует с последующим увольнением только на уровне 0,4, т.е. средне-слабо. 

Сотрудник может не искать работу и все равно уволиться, а может активно ходить по собеседованиям, изучить рынок и остаться в компании. Это значит, что наша модель будет показывать риски увольнения сотрудников с высокой степенью погрешности. 

Нужен ли нам такой инструмент? Какие решения мы будем принимать на его основе?

Здесь мы переходим ко второй проблеме — концептуальной. 

Прогноз модели может оказаться ошибочным

Любой инструмент нужен бизнесу только в том случае, если он помогает принимать более качественные решения. Представим, что инструмент показал нам высокий риск увольнения у сотрудника Х. Что мы будем делать? Пойдем с Х поговорить? 

Если у нас с Х доверительные отношения, то мы и без модели слышали, чем он недоволен. 

Разговор с опорой на модель не добавит нам новой информации, но может создать у сотрудников впечатление, что нужно устраивать провокации, чтобы машина отреагировала, а руководители наконец-то заметили, что что-то не так. 

Если Х нам не доверяет и при этом действительно хочет уволиться, то он скорее всего будет все отрицать, а потом ускорит поиск работы. 

Если модель ошиблась и Х работу не искал, наши вопросы могут заставить его задуматься об этом, и тогда модель сработает как самосбывающийся прогноз.   

Что же тогда делать? 

Какая модель оценки текучести на самом деле нужна бизнесу 

Нужно строить инструмент, исходя из того, какую проблему мы хотим решить. 

Если нас беспокоит уровень текучести, нам нужно понимать, какие факторы ее провоцируют и как компания может на них повлиять: нам все равно, увольняется сотрудник Х или Y — нам важно, какая категория сотрудников увольняется чаще всего и дороже всего обходится компании. 

Нам нужна не прогностическая модель, а объясняющая, т.е. выявляющая причины увольнений. С этой задачей отлично справляется регрессионный анализ, для которого, кстати, и данных так много не нужно. 

Как работает регрессионный анализ текучести

Регрессия — это статистическая модель, которая показывает, как один или несколько факторов (мы называем их независимыми переменными) влияют на зависимую переменную, т.е. тот результат, который мы пытаемся объяснить. 

Например, если у нас есть данные об уровне текучести за несколько лет в 2000 торговых точек. Мы можем построить модель, связывающую среднегодовой уровень текучести (зависимая переменная) с различными характеристиками торговой точки: уровень удовлетворенности сотрудников, доля внутренних кандидатов, получивших повышение, проплаченность персонала, опыт руководителя, уровень безработицы в регионе и т.п. Эта модель позволит сравнить торговые точки и выявить, какие факторы объясняют различия между ними в уровне текучести персонала.    

Другой вариант — провести анализ на уровне отдельных сотрудников, а не бизнес-единиц. В этом случае мы будем объяснять, от чего зависит «выживаемость» сотрудника в компании. Этот тип регрессии часто используется в медицинских исследованиях и отлично подходит для объяснения скорости наступления интересующего нас события, т.е. увольнения. 

В качестве независимых переменных будут выступать различные характеристики конкретного сотрудника, например, пол, возраст, семейное положение, опыт работы, удовлетворенность, проплаченность, история карьеры в компании, данные о коммуникациях с коллегами и т.д. 

После выявления статистически значимых факторов, которые указывают на причины увольнений, нам нужно выбрать те из них, что находятся в зоне влияния компании, и оценить экономическую целесообразность работы над ними. 

Иногда инвестиции, необходимые для внедрения мер по удержанию персонала, не стоят тех выгод, которые компания может получить от снижения текучести.

В заключение хочется еще раз подчеркнуть, что нет никакой универсальной нормы для уровня текучести, как не должно быть и обязательной задачи с ней бороться. Компания может успешно функционировать при высоком уровне текучести, а может развалиться и от нескольких уволившихся сотрудников, если на них все держалось. 

В первом случае инвестиции были сделаны в систему подбора и адаптации, что в сочетании с невысокими зарплатами позволяет быстро выходить на точку безубыточности при замене сотрудника. А во втором случае ошибка заключалась не в отсутствии мер по удержанию ключевых сотрудников, а в том, что компания заранее не позаботилась о сохранении знаний и подготовке приемников.

Читайте также: