Analisi predittiva delle risorse umane

HRPA è la soluzione di Ennova Research al problema del turnover che molte aziende affrontano. Utilizzando i dati aziendali, costruiamo e implementiamo pipeline di machine learning all’avanguardia per identificare i dipendenti che potrebbero lasciare l’azienda mesi prima delle loro dimissioni. Queste informazioni sono arricchite da un livello di spiegabilità e presentate attraverso dashboard efficaci per una facile consultazione, permettendo ai nostri clienti di comprendere i fattori che guidano questo fenomeno.

Scenario

Una multinazionale sta sperimentando un tasso di turnover significativamente più alto rispetto al suo settore di riferimento: ~10% contro 5%. Nonostante grandi investimenti, le politiche di retention sono state solo parzialmente efficaci, portando il management a mettere in discussione il loro approccio. Abbiamo proposto di testare se il nostro modello di intelligenza artificiale potesse superare le capacità del loro dipartimento HR. Così è nato HRPA.

Gli obiettivi principali sono tre:

1. Fornire una stima affidabile di chi è più propenso a lasciare l’azienda per indirizzare le risorse dove possono fare la differenza.
2. Comprendere i fattori strutturali che guidano il fenomeno per correggerli.
3. Testare diverse strategie di retention per applicare politiche mirate.

Metodo

Come azienda agile, abbiamo concordato di fornire una prova di concetto (PoC) al nostro cliente per dare una prima stima dei dipendenti che potrebbero lasciare con uno sforzo minimo. Per fare questo, abbiamo analizzato le fonti di dati disponibili, considerando fattori come la profondità temporale, la pulizia, la significatività, ecc. Ci siamo concentrati sul perimetro più ristretto che potesse dare i migliori risultati con una fiducia ragionevole.

I dati sono stati elaborati con una pipeline personalizzata, ottimizzando al massimo il loro utilizzo. Utilizzando il nostro framework AutoML STEAM Engine, abbiamo valutato migliaia di modelli, verificando se potessero essere combinati in un ensemble con prestazioni superiori e ottimizzando l’ensemble per massimizzare l’efficacia.

Abbiamo anche applicato tecniche di intelligenza artificiale spiegabile basate sulla teoria dei giochi cooperativi per restituire una prima stima dei fattori più rilevanti per le previsioni del modello. Infine, i dati sono stati presentati in una dashboard creata insieme al cliente, permettendo al loro dipartimento HR di beneficiare del nostro lavoro.

Le fasi successive del progetto si sono concentrate su:

• Implementare la pipeline in produzione;
• Aggiungere ulteriori fonti di dati;
• Ottimizzare il modello;
• Migliorare significativamente la spiegabilità delle caratteristiche;
• E altro ancora.

Metriche HR Complete per un'Analisi Avanzata della Forza Lavoro

Le categorie seguenti aiutano a fornire una visione completa e dettagliata delle dinamiche che possono influenzare il turnover dei dipendenti e le prestazioni complessive dell’azienda, facilitando così la realizzazione di modelli predittivi e l’adozione di strategie di gestione più efficaci.