HR teknologi ‘Smart Prediction’ varsler før dine beste medarbeidere sender over oppsigelsen

Når vi snakker om stillinger på mellomnivå er kostnaden for å erstatte en ansatt mellom 30% og 150% av årslønnen. For ledere kan dette tallet stige opp til hele 400%.

Det er ikke nyheter når vi sier at personalomsetning koster bedrifter store penger. I tillegg merker man på frustrasjonen når både tiden og ressursene som brukes på rekruttering, ombordstigning og opplæring, ikke tjener sin hensikt når den ansatte til sist slutter. Den tyngste delen er at den konstante risikoen for at medarbeideren slutter hindrer organisasjonen i å jobbe proaktivt med de underliggende problemene.

Selv i dag er flere organisasjoner avhengige av magefølelser eller eldre data for å legge frem forebyggende tiltak vedrørende personalomsetning. Ledergruppen blir stadig like overrasket hver gang et av deres fremste talenter forlater organisasjonen. Spørsmålet er hvordan man kan komme i forkjøpet og unngå at oppsigelsesbrevet blir sendt.

Vil du vite mer om Winningtemp? Ta kontakt for en raskt gjennomgang!

HR teknologi med kunstig intelligens og dyp læring

Det er en kunst å kunne komme seg ut av et mønster av oppsigelser og heller tegne en ny og effektiv fremtiden for bedriften. Hva om det var mulig for ledere og HR avdelingen å handle på daglige data og raskt se hva som faktisk foregikk i bedriften?  

Over 400 organisasjoner har kunnet visualisere den nøyaktige tilstanden til medarbeiderens velvære i sanntid. Smart Prediction er gull verdt innen HR teknologi. Dataforskerne våre har jobbet med kunstig intelligens og dyp læring for å gjøre medarbeidersundersøkelser mer intuitiv og robust. Det fungerer med millioner av datapunkter for å finne mønstre i sanntid og sende varsler for å informere lederne om risiko og muligheter.

Smart Prediction er det aktuelle innen HR-teknologi

Det interessante med funksjonen er at den tilpasser seg organisasjonens økosystem, analyserer resultatene og forvandler dataene til fordøyelig informasjon innen:   

• Peker på medarbeidergrupper med høy risiko
• Den omtrentlige tiden til medarbeideren slutter
• Faktorene som kan bidra til at medarbeiderne slutter
• Foreslå konkrete handlinger som vil hjelpe ledere å redusere personalomsetningen

Hvordan fungerer HR teknologien Smart Prediction?

For å få innsikt om personalomsetning fra data, må vi på en eller annen måte transformere en strøm av svar til estimater for når hver medarbeider slutter. Vi må også være kritiske i disse estimatene, slik at vi kan analysere risikoen nøyaktig over de ulike periodene. Dette krever en modell og et system som kan finne, samt representere de mønstrene som ligger i medarbeidernes svar fra undersøkelsene.

Oppsettet er illustrert i diagrammet nedenfor, hvor vi har historiske data med svar på forskjellige spørsmål til venstre og til høyre en sannsynlighetsfordeling over tid, frem til medarbeideren slutter.  

Hvordan vi i Winningtemp bruker Smart Prediction

Det er et overvåket tilpassningsproblem der dataene består av sekvenser av hendelser i løpet av ulike perioder, og det er ikke umiddelbart åpenbart hvordan variablene skal representeres. En enkel tilnærming ville være å beregne ulike hendelser over lengre tidsvinduer. Vi bestemte oss for i stedet å overføre dataene direkte til Recurrent Neural Network (RNN), som har evnen til å lære relevante funksjoner på egen hånd.

De ulike variablene som blir målt er parametrene for sannsynlighetsfordelingen som beskriver når og hvor sikker modellen er på at medarbeideren vil slutte. Dette skiller seg fra andre metoder fordi vi trenger ikke spesifisere en fast definisjon før vi starter med å trene modellen. Sluttresultatet er en fleksibel modell som kan tolke og brukes til å forutsi personalomsetning i en hvilken som helst tidsperiode.

Når vi vurderer nøyaktigheten til en modell på historiske data, kan vi se hvor godt sannsynlighetsfordelingene samsvarer med de faktiske resultatene til medarbeiderne som sluttet. Først og fremst ved å evaluere hvor sannsynlig modellen er med å generere de samme dataene. Det eneste vi vet for nåværende medarbeidere er at de ikke har sluttet enda. I Survival Analysis kalles dette sensurpunktet. Målet er da for aktive brukere å flytte sannsynlighetsfordelingen utover sensurpunktet. Dette ved å bruke alle tilgjengelige data til selve modellopplæringsprosessen.

Hvordan er Smart Prediction - HR teknologien strukturert?

Strategien som vi i Winningtemp har utviklet er basert på Deep Learning. Hvor vi bruker Recurrent Neural Networks (RNN) i kombinasjon med en LSTM-arkitektur (Long short-term memory). Nettverkets tilbakemeldingsforbindelser lar modellen identifisere og beholde mønstre i sekvenser av svar. Det implementeres ved hjelp av Pytorch - et Python -rammeverk for differensierbar programmering.

Hva mer kan modellen forutsi?

På et minimum av detaljnivå består modellens produksjon av to parametere til en Weibull -sannsynlighetsfordeling som styrer skalaen og formen. Metoden er i stor grad inspirert av avhandlingen og det tilhørende blogginnlegget til Egil Martinsson.  

Det gir oss muligheten til å beregne ytterligere:

• Forventet tid til at en medarbeider slutter.
• Antall medarbeidere per gruppe der risikoen er svært høy for at de slutter i løpet av de neste f.eks. 6 måneder
• Hvordan hver enkelt respons påvirker sannsynligheten for churn

Det siste punktet er avledet fra muligheten til å spore modellens prediksjon over tid, noe som betyr at vi effektivt kan tilskrive personalomsetningen til hvert enkelt svar. Dette betyr at vi kan lage anbefalinger på konsernnivå for hvilke emnekategorier som bør prioriteres for å redusere personalomsetningen.

Hvordan vil fremtiden for HR teknologi se ut?

Vår neste lansering vil handle om å forutsi svarene fra individuelle spørsmål - og generere en prediktiv indeks for hver spørsmålskategori. Dette hjelper nye kunder med å fokusere på de viktigste områdene, samt redusere tiden betydelig for å få det aller første innblikket.  

Vi jobber også med NLP -modeller (Natural Language Processing) som vil strukturere og hjelpe deg med å navigere blant de store tilbakemeldingene i tekstskjema gitt i plattformen. Gjennom modellen kan vi trekke ut essensen av teksten og koble den til annen viktig informasjon.

Vil du se mer om hvordan vi kan hjelpe deg? Skriv inn opplysningene dine og vi vil kontakte deg.

‍