Как предсказать увольнение сотрудника с помощью данных

Почему компании теряют людей, не замечая тревожных сигналов

Каждое увольнение ключевого сотрудника обходится компании в сумму от 50% до 200% его годового оклада — с учётом рекрутинга, онбординга, потери производительности и передачи знаний. При этом большинство руководителей узнают о намерении человека уйти только в момент подачи заявления. Между тем за несколько недель, а иногда и месяцев до этого момента данные уже фиксируют десятки косвенных сигналов. Вопрос в том, умеет ли HR их читать.

Predictive attrition — предиктивная аналитика текучести кадров — это не фантастика и не прерогатива корпораций уровня Google. Сегодня даже компании среднего размера внедряют модели раннего предупреждения об увольнениях, чтобы управлять текучестью системно, используя данные, которые уже есть в их системах. Разберём, как это работает на практике.

Какие данные говорят об уходе раньше самого сотрудника

Предиктивные модели строятся на комбинации нескольких категорий данных. Первая и наиболее очевидная — операционные метрики: динамика посещаемости, количество больничных, опоздания, использование отпуска (резкое накопление или, наоборот, срочное «обнуление» остатков). Вторая категория — вовлечённость как ранний сигнал: активность в корпоративных системах, частота участия во внутренних инициативах, отклики на опросы.

Третья, менее очевидная, — производительность в динамике. Не статичный KPI, а его тренд: сотрудник, который стабильно перевыполнял план, а последние два квартала работает «на минималках», — уже в зоне риска. Четвёртая категория — карьерная траектория: сколько времени прошло с последнего повышения, была ли пройдена оценка компетенций, участвовал ли человек во внутренних конкурсах на вакансии.

• Пик риска увольнения чаще всего приходится на 18–24 месяца работы — момент, когда «медовый месяц» прошёл, а карьерный рост ещё не наступил
• Снижение активности в Slack/Teams на 30–40% за два месяца коррелирует с последующим увольнением в 62% случаев по данным исследований People Analytics
• Отсутствие разговора о развитии с руководителем дольше трёх месяцев удваивает вероятность пассивного поиска работы

Как строится модель предсказания увольнения

Классическая предиктивная модель — это алгоритм машинного обучения (чаще всего логистическая регрессия, random forest или градиентный бустинг), обученный на исторических данных компании. На входе — набор факторов (фичей), на выходе — вероятность увольнения конкретного сотрудника в ближайшие 90 дней.

Ключевое условие работоспособности модели — достаточная история данных. Для первичного обучения нужна информация минимум за 2–3 года, включая данные о сотрудниках, которые уже покинули компанию. Именно они дают модели «правильные ответы» — что предшествовало реальным увольнениям. Чтобы понять причины ухода глубже, exit-интервью становятся ценным источником для дообучения таких моделей.

Важно понимать: модель не принимает решений за HR. Она формирует список риска — сотрудников с высокой вероятностью ухода — и передаёт его живым людям для интерпретации и действия. Хороший HR-аналитик смотрит на score модели и задаёт вопрос: «Почему именно этот человек?» — и идёт проверять гипотезу через разговор с менеджером.

Практический стек: с чего начать без бюджета на SAP

Если у вас нет корпоративной HR-платформы с встроенной аналитикой, это не повод откладывать. Начните с минимально жизнеспособного подхода: выгрузите данные из любой HRIS в Excel или Google Sheets и вручную составьте «профиль риска» по ключевым индикаторам.

• Срок работы в текущей должности — более 2 лет без повышения
• Последняя оценка производительности — ниже среднего или «не проводилась»
• Количество дней отсутствия — выше среднего по отделу на 20%+
• Участие в пульс-опросах — менее 30% за последний квартал
• Отсутствие индивидуального плана развития

Следующий шаг — Python или R с библиотеками scikit-learn и HR-специфичными датасетами. Многие компании начинают с публичного датасета IBM HR Analytics Employee Attrition, чтобы обучить команду логике моделирования, прежде чем переходить к собственным данным.

Этика и границы: чего делать нельзя

Предиктивная аналитика увольнений — зона повышенной этической ответственности. Недопустимо использовать score модели как основание для депремирования, ограничения доступа к проектам или давления на сотрудника. Это не только разрушает доверие, но и создаёт самосбывающееся пророчество: человек, почувствовавший изменение отношения, уйдёт именно потому, что модель его «назначила» уходящим.

Правильная логика обратная: high-risk score — это сигнал к инвестиции, а не к изоляции. HR и линейный руководитель получают возможность вовремя провести stay interview, предложить ротацию, скорректировать нагрузку или обозначить карьерный горизонт. Именно в этом ценность инструмента — в расширении окна для действия, а не в автоматизации решений о людях.

Результаты, которые реально измеримы

Компании, внедрившие системы предиктивной аналитики текучести, фиксируют снижение добровольных увольнений на 15–25% в первый год. IBM сообщала об экономии $300 млн за счёт удержания сотрудников с помощью аналитики. Unilever сократила время реакции HR на ранние сигналы с нескольких недель до 48 часов.

Но главный результат измеряется не в деньгах. Когда HR перестаёт быть пожарным и становится архитектором удержания — меняется сам характер работы функции. Аналитика увольнений — это не контроль над людьми, это инструмент более внимательного к ним отношения.