Предиктивная (или прогностическая) HR-аналитика — это метод анализа больших объемов данных, который помогает прогнозировать кадровые тренды, оптимизировать управление персоналом и принимать обоснованные решения.
В статье разбираемся, в чем особенность предиктивной аналитики и как использовать ее в HR.
Чем предиктивная аналитика отличается от других типов анализа данных
Предиктивная аналитика базируется на классических подходах к сбору и анализу данных. Чтобы понять ее отличия от стандартных подходов, важно разобраться в ключевых типах HR-аналитики.
| Тип аналитики | Что дает |
| Описательная аналитика | Предполагает анализ исторических данных за период. Отвечает на вопрос «что?», но не «почему?» или «как?». Например, описательной аналитикой пользуются, когда нужно понять, сколько сотрудников уволилось за год. |
| Диагностическая аналитика | Предусматривает выявление закономерностей, отклонений и причинно-следственных связей. Дополняет данные описательной аналитики, отвечая на вопросы «что произошло?» и «почему это случилось?». Так, диагностическая аналитика помогает выявить, сколько сотрудников уволилось в прошлом году и почему они это делали, опираясь на исследование основных причин. |
| Предиктивная аналитика | Преобразует исторические данные об HR в компании в прогнозы о том, чего ожидать в будущем. Например, может помочь предсказать, какую текучесть ожидать в следующем году, основываясь на данных прошлых лет. |
❗Любые данные, полученные с помощью предиктивной аналитики, — это прогноз. На процессы влияет множество факторов, и все переменные учесть невозможно. Но несмотря на это, предиктивная аналитика помогает сформировать примерную картину будущего.
Как применять предиктивную аналитику в HR: три возможных сценария
Предсказать и предотвратить текучесть
Компании используют исторические данные, чтобы выявить факторы, которые увеличивают риск увольнения сотрудников. Среди метрик: стаж специалистов, результаты оценок эффективности, уровень заработной платы и частота внутренних переводов.
Например, в компании Hewlett-Packard создали модель, которая рассчитывает для каждого специалиста индекс Flight Risk — вероятность ухода из компании. Руководители получали эти данные заранее и могли вовремя вмешаться: предложить развитие, пересмотреть уровень дохода или просто поговорить.
Спрогнозировать успешность новых сотрудников
На этапе найма организации накапливают результаты интервью, тестовых заданий, оценки по кейсам. Эти показатели можно сравнивать с успешностью прохождения испытательного срока и искать корреляции. Это поможет точнее подбирать кандидатов, которые с высокой вероятностью останутся в компании и покажут стабильные результаты.
Проанализировать вовлеченность сотрудников и ее влияние на бизнес
Компания Best Buy обнаружила прямую корреляцию: рост вовлеченности всего на 0,1 процентных пункта приводил к увеличению выручки на 100 000 долларов в каждом магазине. Эти данные стали основой для регулярных опросов вовлеченности и инициатив по улучшению внутренней среды, поскольку это напрямую влияло на прибыль.
Чтобы начать работать с предиктивной аналитикой, не нужно сразу строить сложные модели. Достаточно выбрать одну задачу — например, спрогнозировать текучесть. Дальше соберите данные о количестве и причинах увольнений за последние несколько лет, сведите цифры в общей таблице и выявите закономерности. Например, в какой месяц чаще всего увольняются, какие именно специалисты, связаны ли увольнения с длительностью работы в компании.
Делегировать анализ данных можно искусственному интеллекту. Это поможет увидеть неочевидные закономерности и сэкономить время. О том, как подбирать подходящие ИИ-инструменты и давать задания нейронкам, расскажут эксперты на конференции Хантфлоу «Как внедрить ИИ в подбор и улучшить показатели HR-команды» 17 июня. Регистрируйтесь бесплатно!
