W firmach produkcyjnych rotacja pracowników to poważne wyzwanie. Każda rezygnacja oznacza nie tylko utratę doświadczenia, ale także kosztowny i czasochłonny proces rekrutacji i wdrożenia nowego pracownika. W takiej sytuacji dobrze przygotowany model predykcyjny, który pozwoli przewidzieć wskaźnik rotacji w przyszłości, może być bardzo pomocny. Dzięki niemu będziemy mogli zawczasu przygotować się na ewentualne braki kadrowe i odpowiednio zabezpieczyć firmę przed ich negatywnymi skutkami.
Ok, wiem, co sobie teraz myślisz. Tworzenie modelu predykcji – to brzmi jak coś okropnie skomplikowanego. Jasne, wymaga to nieco wysiłku, ale wraz z rozwojem AI wiedza na ten temat staje się coraz bardziej powszechna. Stale powstają też nowe narzędzia umożliwiające nawet niedoświadczonym użytkownikom dostosowanie sztucznej inteligencji do swoich potrzeb.
Czym jest analityka predykcyjna w HR?
Analityka predykcyjna to zaawansowana forma analizy danych, która wykorzystuje algorytmy, modele statystyczne i uczenie maszynowe do przewidywania przyszłych zdarzeń na podstawie danych historycznych. W kontekście HR oznacza to np. przewidywanie:
- kto z pracowników jest narażony na odejście,
- kiedy może to nastąpić,
- jakie czynniki wpływają na decyzje pracownika.
To nie wróżenie z fusów – to twarde dane i modele statystyczne.
Dlaczego firmy produkcyjne potrzebują predykcji rotacji?
Firmy z sektora produkcyjnego i logistycznego działają w specyficznych warunkach kadrowych, które znacząco różnią się od środowiska biurowego. Zatrudniają zazwyczaj dużą liczbę pracowników fizycznych, często w systemie zmianowym. W warunkach produkcyjnych niedobory kadrowe mogą bardzo szybko przełożyć się na przestoje w działaniu poszczególnych linii, a co za tym idzie – na duże straty finansowe.
Właśnie dlatego zespoły HR w tego typu organizacjach muszą działać szybko i trafnie. Kluczowe jest wychwytywanie sygnałów ostrzegawczych oraz ryzyk, zanim dojdzie do poważnych problemów kadrowych. I tu z pomocą przychodzi analityka predykcyjna – nowoczesne podejście oparte na danych, które pozwala z wyprzedzeniem identyfikować pracowników zagrożonych odejściem, przewidywać rotację w konkretnych działach lub zmianach i planować odpowiednie działania zapobiegawcze
Jakie dane warto analizować?
Aby zbudować modele predykcyjne rotacji, potrzebujesz danych z wielu obszarów. Najczęściej analizowane zmienne to:
- Staż pracy – największe ryzyko odejścia często dotyczy pracowników w pierwszym roku pracy.
- Wynagrodzenie i premie – niskie wynagrodzenie względem rynku może zwiększać prawdopodobieństwo rezygnacji.
- Frekwencja – rosnąca liczba dni nieobecnych może być sygnałem zbliżającego się odejścia.
- Zmiany w grafiku pracy – częste zmiany godzin pracy lub nadgodziny mogą powodować frustrację.
- Udział w benefitach – np. korzystanie z dofinansowanych posiłków czy programów zdrowotnych wskazuje na zaangażowanie.
- Wyniki ocen okresowych i feedbacku – spadek zaangażowania lub motywacji często poprzedza decyzję o odejściu.
Dobrze zintegrowane systemy HR, kadrowo-płacowe oraz systemy ERP mogą być potężnym źródłem predykcji.
Jak przygotować predykcję rotacji krok po kroku?
Przygotowanie systemu do predykcji rotacji wymaga nieco wysiłku, ale przy rozłożeniu prac na etapy da się to wdrożyć, nawet bez dużej wiedzy analitycznej czy zespołu ekspertów od danych na pokładzie.
Krok 1. Zdefiniuj cele projektowe
Zacznij od jasnego określenia, co chcesz przewidzieć. W przypadku rotacji może to być:
- prawdopodobieństwo, że pracownik odejdzie w ciągu 3–6 miesięcy,
- ryzyko odejścia w konkretnym dziale, zmianie lub lokalizacji.
Przykład: chcemy przewidzieć odejścia operatorów produkcji z ponad 80% trafnością na 3 miesiące przed wypowiedzeniem.
Krok 2. Wybór źródeł i miejsca zbierania danych
Teraz musimy podjąć decyzję, z jakich źródeł zbieramy dane, jakie wskaźniki nas interesują, a także gdzie będziemy je gromadzić. Przykładowe systemowe źródła danych to:
- system kadrowo-płacowy (ERP/HRIS) – dane o zatrudnieniu, absencjach, wynagrodzeniach, umowach.
- system RCP (rejestracja czasu pracy) – informacje o grafikach, nadgodzinach, spóźnieniach.
- systemy benefitowe (np. posiłki, ubezpieczenia) – pokazują zaangażowanie w życie firmy.
- ankiety satysfakcji i feedback 360 – dane miękkie, ale bardzo cenne.
Uwaga! Dane muszą być dopasowane do tego, co ma przewidywać model, spójne i aktualne. Musimy też ustalić, gdzie dane będą przechowywane i integrowane. Stosunkowo prostym narzędziem umożliwiającym integrację danych jest stary dobry arkusz kalkulacyjny.
Krok 3. Wybór narzędzia analitycznego
Narzędzie analityczne powinno być dostosowane przede wszystkim do możliwości Twojego zespołu lub działu IT/analiz firmy. W zależności od poziomu zaawansowania Twojego zespołu w analizie danych możesz użyć:
- Jeśli nie masz żadnego doświadczenia z analizą danych, dobrym wyborem będą arkusze Excel / Google Sheets.
- Power BI / Tableau / Looker Studio to narzędzia, które sprawdzą się, jeśli szybko uczysz się nowych narzędzi i technologii.
- Python wraz z bibliotekami NumPy, Pandas, jeśli możesz liczyć na wsparcie doświadczonego działu IT.
Krok 4. Tworzenie modelu rotacji (w Excelu lub Pythonie)
Musimy przygotować dane w formie zmiennych, które wykorzystamy w modelu.
- identyfikator pracownika (
employee_id) - datę zatrudnienia, awansu
- zmienne: dział, zmiana, staż pracy, L4, nadgodziny, wyniki ocen, obecność na szkoleniach
- zmienną zawierającą informację, czy pracownik odszedł (
1– tak,0– nie)
Każda z wymienionych wyżej danych powinna mieć odrębny identyfikator, by informacje się nie mieszały.
Tworząc algorytm do przewidywania rotacji, musimy wybrać odpowiedni model. Przykładowe modele nadające się do predykcji to:
- regresja logistyczna lub liniowa,
- drzewo decyzyjne,
- random forest,
- gradient boosting (np. XGBoost),
- sieci neuronowe (dla dużych firm z dużą ilością danych).
Implementacja konkretnego modelu i danych w praktyce będzie zależna od tego, jakie narzędzia wybierzesz w punkcie drugim. Tych, którzy w tym momencie artykułu pomyśleli – Ale to wszystko skomplikowane! Na bank nie dam rady postawić tego samodzielnie! – uspokajamy. Prosty model predykcyjny działający na podstawie regresji da się zbudować w Excelu, korzystając z dodatku Analysis ToolPak i funkcji Analiza danych.
Krok 5. Tworzymy wizualizację
Rezultaty działania modelu będą najbardziej pomocne, jeśli stworzymy wizualizację. Ułatwi nam to nie tylko wyciąganie wniosków, ale także uprości pokazywanie wyników w raportach i prezentacjach. Dane można oczywiście wizualizować na różne sposoby, np w formie:
- mapy ryzyka rotacji wg działów lub lokalizacji,
- profilu typowego pracownika zagrożonego odejściem,
- trend rotacji w czasie.
Prostą wizualizację stworzysz w arkuszu kalkulacyjnym, korzystając z funkcji generowania wykresów. Jeśli szukasz czegoś bardziej spektakularnego, skorzystacj z PowerBi lub Tableau.
Droga na skróty
Warto wiedzieć, że na rynku istnieją narzędzia, które oferują gotowe modele do przewidywania rotacji pracowniczej. Oczywiście wówczas konieczna jest ich integracja z przepływem danych firmy i gromadzenie w nich informacji. Przykładowe narzędzia to:
- SAP SuccessFactors – oferuje zaawansowane analizy prognostyczne, osadzone w HRIS, integrujące dane historyczne z uczeniem maszynowym,
- Visier People – specjalizuje się w analizie danych HR, przewidując ryzyko odejść pracowników i główne przyczyny (np. niskie zaangażowanie, brak rozwoju),
- Workday – zawiera moduły do predykcji retencji i rozwoju kariery, analizuje ryzyko odejścia i wspiera mobilność wewnętrzną w organizacji,
- Oracle Cloud HCM – dzięki modelom prognostycznym oraz analizie danych o zatrudnieniu przewiduje długość zatrudnienia i retencję pracowników,
- Leapsome – narzędzie oferujące funkcjonalność przewidywania rotacji, identyfikuje również grupy ryzyka.
Choć tworzenie modelu predykcyjnego może wydawać się skomplikowane, w rzeczywistości – dzięki dostępnym narzędziom – jest to osiągalne nawet dla osób bez specjalistycznego zaplecza analitycznego. Excel, Power BI czy gotowe rozwiązania techniczne dla HR pozwalają rozpocząć pracę z danymi już dziś. Możliwość przewidywania rotacji z wyprzedzeniem będzie niezwykle istotne dla tych branż i marek, które zatrudniają rzesze ludzi, a jednocześnie narażone są na duże straty nawet przy chwilowych przestojach (produkcja, logistyka, motoryzacja).
Choć uważamy, że w organizacjach najważniejsi są ludzie i ich potrzeby, to zachęcamy, by nie bać się danych, ale potraktować je jak potencjał do podejmowania racjonalnych decyzji i jeszcze skuteczniejszego budowania przyjaznych środowisk pracy. Obserwujcie naszego bloga – będziemy pisać więcej o tym, jak mądrze wykorzystywać dane w HR.