Задача достаточно простая и очевидная. Очевидно в том смысле, что те, кто хуже работают, уходят быстрее (или их уходят).
Математически эта задача выглядит так.
| KPI 2016 | KPI 2017 | KPI 2018 | KPI 2019 | |
| Иванов | 0.9 | 1 | 1.1 | 1.1 |
| Петров | 1 | 1.1 | 1.2 | 1.3 |
| Сидоров | 1.1 | 1 | 0.9 | 0.85 |
Вопрос: кто из указанных здесь сотрудников уволится быстрее? И вообще, зависит ли скорость увольнения от того, как оценивается эффективность работника?
Если у вас есть такие данные в своей компании, присылайте, готов посмотреть. Только к указанным переменным надо добавить дату приема работника и дату увольнения (если работник не уволился, поле даты увольнения остается пустым).
Но у меня есть набор данных, и я хочу поделиться результатами.
ВАЖНО: можно настроить аналитику в другую сторону: вместо увольнения заложить карьерный рост и показывать «созревание» работников на повышение.
Эффективность
- По оси X — стаж работника в месяцах$
- Ось Y — эффективность (думаю, не нужно объяснять, что значат цифры)
- Синяя линия — усредненная линия эффективности.
- Заметно, что на «плато» эффективности работники выходят примерно через 2,5 года. Забавно, что через 7 лет эффективность опять начинает расти. А совсем не падает.
Мне думается, что срок выхода на «плато» эффективности можно скорректировать, если понять, что эту линию тянет вниз.
Коэффициент корреляции Спирмена между стажем и эффективностью 0.2445141
Текучесть
Диаграмма дожития работников в указанной компании. Средний срок жизни в компании 40, 24 месяца или примерно 3, 33 года.
Прогноз индивидуальных рисков увольнения
Вот в этом месте мне особенно нечего сказать содержательно.
Вот так могла бы выглядеть картина рисков увольнения на вашем дашборде.
Иванов и Петров — вымышленные фамилии, но данные на работников реальные.
- Иванов в компании отработал на данные момент 35, 67 месяцев (обратите внимание, желтая линия как раз упирается в примерно три года), продолжает работать, его годовые оценки эффективности: 0, 98, 0, 96, 1, 05.
- Петров в компании отработал ровно год и уволился. Его годовая оценка эффективности 0, 49
- Медиану стажа машина для Петрова отметила в 5.420945 месяца, почти в полгода. Но Петров отработал год до увольнения, в момент увольнения его риск увольнения составлял примерно 0, 7 ( Мы от единицы отнимаем 0, 3 — на диаграмме кончик синей линии упирается в 0, 3. 0, 7 означает 70 % за то, что он уволится).
- А у Иванова накопленный риск увольнения составляет примерно 25 %. При его темпах критичная зона (50 % вероятность увольнения) наступит примерно еще только через три года работы.
Параметры модели
Показатель точности модели — конкорданс — 0, 58 (это только если на показателях эффективности, если добавить позицию, отдел, возраст, то точность возрастает до 0, 8). Для тех, кто не понимает: 0, 5 — модель случайна, т.е. не имеет смысла, 1, 0 — точность попадания 100 %. Правда, данные не полные, по части работников есть вопросы, части данных по эффективности нет. Но это обычный спутник создания моделей.
Увеличение эффективности на 0, 1 пункта снижает риски текучести примерно на 12 %
В качестве результата можно было бы построить дашборд, на котором руководители могли бы прогнозировать риски увольнения работников: у них есть диаграмма накопленных рисков на сегодня, руководитель может смотреть, что будет с рисками увольнения работника, если он поставит работнику такую-то оценку…
Источник : edwvb.blogspot.com