Winningtemp Smart AI lanserar ”Smart Prediction” som identifierar grupper av medarbetare som är i riskzonen och föreslår omedelbara åtgärder

För ingångs- och mellannivå är kostnaden för att ersätta en medarbetare mellan 30 % och 150 % av dennes årslön. För chefer kan denna siffra öka till uppemot 400 %.

Källa

Personalomsättning är otroligt kostsamt för de flesta företag. Självfallet tjänar tiden och de resurser som läggs på rekrytering, onboarding och utbildning inget syfte när medarbetaren lämnar och därigenom adderar ett ”kunskapstapp”. Den konstanta risken för personalomsättning gör att organisationer måste arbeta proaktivt med de underliggande problemen bakom de höga nivåerna av personalomsättning.Än idag är det många organisationer som går på sin magkänsla eller använder föråldrad data när de ska lägga fram förebyggande åtgärder mot personalomsättning. Föga överraskande brukar också ledningsgruppen förvånas varje gång någon utav deras topptalanger lämnar organisationen.Sedan Winningtemp startades har vår plattform hjälpt mer än 400 företag att visualisera det exakta tillståndet för medarbetares välmående i realtid. Det gör det möjligt för chefer, HR och ledning att agera på realtidsdata och snabbt se hur olika aktiviteter påverkar de övergripande resultaten. Detta har varit ett enormt steg framåt när det gäller att definiera framtidens arbete.Dock förser det fortfarande inte användarna med indikatorer kopplat till personalomsättning eller ger dem möjlighet att identifiera utmaningarna bakom personalomsättningen.Med denna bakgrund introducerar vi WinningtempSmart Prediction. Vårt produkt-team har arbetat med Artificiell Intelligens och Deep Learning för att göra Winningtemp mer intuitivt och kraftfullt. Lösningen använder sig av miljontals datapunkter för att identifiera mönster i realtid och skicka varningssignaler för att meddela cheferna om risker och möjligheter.

Smart Prediction anpassar sig till din organisations ekosystem, analyserar resultaten och omvandlar data från tidsserier till visuell information för att:

• Peka ut grupper av medarbetare med hög risk för churn
• Den ungefärliga tiden tills medarbetaren slutar
• Faktorer som kan bidra till att medarbetaren slutar
• Föreslå konkreta åtgärder som hjälper ledare att minska personalomsättningen

Hur fungerar Smart Prediction?

För att få insikter om personalomsättningen från data behöver vi omvandla en ström av svar till uppskattningar av när respektive användare kommer att sluta. Vi behöver också modellera osäkerheten i dessa uppskattningar så att vi på ett korrekt sätt kan analysera risken under olika tidsspann. Detta kräver en modell som kan hitta och representera de komplexa mönster som finns mellan raderna i användarnas svar.Upplägget illustreras i diagrammet nedan där vi har historisk data med svar på olika frågor till vänster och till höger en sannolikhetsfördelning över tid till att användaren slutar.

Detta är ett övervakat inlärningsproblem där data består av sekvenser av händelser av varierande längd, och där det inte är omedelbart uppenbart hur de förklarande variablerna ska representeras. En enkel metod skulle vara att beräkna diverse aggregat över rullande tidsfönster. Vi bestämde oss istället för att mata in strömmen av rådata för händelser direkt in i ett Recurrent Neural Network (RNN) som har kapacitet att lära sig relevanta funktioner på egen hand.Målvariablerna, dvs. nätverkets utdata, är parametrarna för sannolikhetsfördelningen som beskriver när och hur säker modellen är att användaren kommer att sluta. Detta skiljer sig från vanlig binär churnklassificering på ett viktigt sätt – vi behöver inte ange en fast definition för churn innan vi tränar modellen. Slutresultatet är en tolkningsbar och flexibel modell som kan användas för att förutsäga personalomsättningen under valfri tidsperiod.Vid utvärderingen av precisionen för en modell med historiska data kan vi se hur väl sannolikhetsfördelningarna matchar de faktiska utfallen för användare som har slutat, i huvudsak genom att utvärdera hur troligt det är att modellen ska generera samma data. För användare som är anställda är dock det enda vi vet att de inte har slutat före dagens datum. Inom överlevnadsanalys kallas detta censureringspunkten, och målet för aktiva användare är att flytta sannolikhetsfördelningen bortom censureringspunkten. Genom att använda all tillgänglig data bidrar alla användare, inklusive de som för närvarande är aktiva, till modellträningsprocessen.

Hur är Smart Prediction-modellen uppbyggd?

Vårt strategi är baserad på Deep Learning där vi använder Recurrent Neural Networks (RNN) i kombination med en LSTM-arkitektur (Long short-term memory). Nätverkets feedbackanslutningar gör att modellen kan identifiera och behålla mönster i sekvenser av svar. Det implementeras med hjälp av Pytorch – ett Python-ramverk för differentierbar programmering.

Vad mer kan modellen förutsäga?

På en lägsta detaljnivå består modellens utdata av två parametrar till en Weibull-sannolikhetsfördelning som styr dess skala och form. Metoden är till stor del inspirerad av avhandlingen och det tillhörande blogginlägget av Egil Martinsson. Det ger oss möjlighet att vidare beräkna:

• Den förväntade tiden tills en användare slutar.
• Antalet användare per grupp där risken är mycket hög att de lämnar inom t.ex. 6 månader.
• Hur varje enskilt svar påverkar sannolikheten för churn.

Den sista punkten härleds från möjligheten att spåra modellens förutsägelse över tid, vilket gör att vi effektivt sett kan tillskriva personalomsättning till varje enskilt svar. Detta gör att vi kan ta fram rekommendationer på gruppnivå för vilka frågekategorier som bör prioriteras för att minska personalomsättningen.

Hur kommer framtiden att se ut?

Vår nästa lansering kommer att handla om att förutspå svaren från enstaka frågor – och att generera ett prediktivt index för varje frågekategori. Detta hjälper nya kunder att fokusera på de mest prioriterade områdena samt avsevärt minska tiden för att få den första insikten från Winningtemp.Vi arbetar också med NLP-modeller (Natural Language Processing) som kommer att strukturera och hjälpa till att navigera bland de stora mängder feedback i textform som ges i plattformen. Genom modellen kan vi extrahera essensen i texten och koppla den till annan viktig information.