По данным Talantix, 38% работодателей намерены применять инструменты на базе ИИ для управления человеческим капиталом: профилактики выгорания, прогнозирования увольнений, мониторинга настроений сотрудников. Данные для таких инструментов накапливаются в любой компании: анкеты кандидатов, приказы, опросы, журналы корпоративных систем.
По определению британского CIPD, аналитика персонала, или people analytics, означает анализ данных о людях, чтобы решать задачи бизнеса. Квартальный отчет об увольнениях относится к описательной аналитике, а предиктивная дает прогноз того, кто из сотрудников уйдет следующим. Прогноз строят на исторических данных, которые компания уже собрала и использует в описательной аналитике, поэтому начинают с описания.
22 октября 16:00 МСК Онлайн Бесплатно Онлайн-конференция: Онбординг без созвонов Практика тех, кто каждый день заводит людей в продукт и в партнёрскую сеть. Зарегистрироваться
Три уровня аналитики персонала: где останавливается большинство компаний
Аналитику персонала делят на уровни по тому, на какой вопрос она отвечает. В классификации CIPD их три:
- Описательная аналитика фиксирует, что произошло: сколько сотрудников наняли и уволили, как менялась текучесть.
- Предиктивная оценивает, что вероятно произойдет дальше: кто из сотрудников может уйти, сколько людей понадобится.
- Предписывающая предлагает решение, которое изменит исход: кого удерживать и какими мерами.
Описательную аналитику умеет вести большинство организаций, предписывающую — единицы. В России картина та же, хотя в опросе hh.ru 2022 года использована другая шкала — модель зрелости Джоша Берсина из четырех уровней. По данным опроса, на двух верхних уровнях находятся только 9% работодателей: они сегментируют данные, проводят статистический анализ, разрабатывают модели трудовых ресурсов и составляют прогнозы.
Описательные отчеты строят на базовых кадровых показателях: численности, найме и увольнениях, текучести. По такой сводке не понять, почему так вышло и что делать дальше. Чтобы перейти к прогнозу, нужны сегментированные данные, статистика и модели. Без них большинство компаний остается на описательном уровне.
«Этот подход можно назвать „аналитикой констатации фактов“ — он лишь отвечал на вопрос „что случилось?“, не предлагая глубокого анализа причин и возможных решений»
Светлана Петровичева, эксперт и предприниматель в сфере HR и HR Tech
И все же пропустить описательный уровень нельзя: подготовка к прогнозу начинается с регулярного учета данных о сотрудниках в разрезе подразделений.
Опросы вовлеченности без прогнозной модели: опыт автомобильного ритейла
Описательный уровень people analytics обходится без машинного обучения и без отдельного штата аналитиков. Руководителю подразделения нужно регулярно сравнивать показатели своей команды с данными соседних команд, чтобы заметить отставание без прогнозной модели. Для таких замеров используют опросы вовлеченности: их проводят по расписанию. Результаты разных волн сопоставимы.
Так устроен процесс в направлении «автомобили с пробегом» группы «КЛЮЧАВТО». С 2023 года там регулярно проводят опросы вовлеченности. Во второй волне опроса участвовали 88% сотрудников. Кадровая служба сама работает с результатами:
- выгружает и обрабатывает ответы;
- через HR-партнеров показывает их региональным директорам;
- запускает локальные улучшения;
- сравнивает подразделения между собой.
Компания проводит опросы и анализирует их результаты, чтобы принимать решения по удержанию персонала. Текучесть снизилась со 119% в 2022 году до 73% по итогам 2023. Прогнозной модели в этой схеме нет: директора ориентируются на показатели своего региона.
На другие отрасли такой результат не переносится: в автомобильном ритейле и в офисной компании разный исходный уровень текучести. Сама механика опросов подходит компании с несколькими подразделениями.
Прогноз в массовом найме: модель банка, обученная на резюме успешных сотрудников
Прогнозная модель учится на прошлых решениях: чем больше похожих случаев с известным исходом, тем точнее она оценивает нового кандидата. В массовом найме данных для обучения много: однотипные вакансии открываются постоянно, а в архиве копятся резюме принятых сотрудников, по работе которых уже понятно, кто справился.
Например, «Альфа-Банк» перешел от описания к прогнозу на одной задаче. Дирекция по подбору разработала модель для массового найма менеджеров отделений, сотрудников доставки и колл-центра. Первый вариант сопоставлял описание вакансии с резюме и не сработал. Тогда специалисты дирекции составили профили успешных сотрудников по резюме тех, кого банк уже нанял, и обучили на них модель. Она сравнивает новое резюме с готовыми профилями. Удачный пилот провели в мае 2023 года. Варианты различались исходными данными: в описании вакансии перечислены требования к кандидату, а в профилях собраны данные о сотрудниках, которые уже справились с этой работой.
Модель помогает нанимать около 700 сотрудников в квартал и каждый месяц экономит от 1,5 до 5 млн рублей. После пилота ее начали использовать в регулярном найме: более 30% всего найма сейчас ведется по рекомендациям модели.
В найме результат первого прогноза проще измерить: видно, сколько людей приняли на работу и сколько денег сэкономили. С увольнениями сложнее: верен ли прогноз, становится ясно, только когда сотрудник остался или ушел.
Прогноз увольнений: группы риска вместо готового ответа
Эта задача устроена иначе, чем оценка кандидата. Резюме рекрутер видит целиком, а о намерении уйти сотрудник обычно молчит до заявления. Поэтому модели приходится искать косвенные сигналы в действиях сотрудника.
Так, в подходе InfoWatch такими сигналами служат отклонения от привычного поведения. Система компании фиксирует активность сотрудника и строит математическую модель его обычных действий. Если активность отклоняется от нормы, система относит сотрудника к группе риска. Прототип, по оценке разработчика, предсказывает увольнение с точностью до 80%. По тем же данным, прогноз можно получить за 25 дней до ухода. На какой выборке рассчитаны эти цифры, компания не раскрывает.
С такой системой работодатель видит, у кого поведение отклонилось, но не знает, почему. Причину и способ удержать сотрудника выясняют в разговоре с ним. В модели прогноза увольнений «Ростелекома» результаты получают специалист кадровой службы и руководитель подразделения. Решение после полученного сигнала остается за ними.
Но модель формирует сигнал только на основе данных, которые фиксирует компания. Если журналы корпоративных систем, опросы и кадровый учет хранятся порознь, модель не может использовать эти данные совместно для прогноза.
Данные для прогноза: внутренний учет и внешний рынок труда
Каждой задаче people analytics нужен свой источник данных:
- для замера вовлеченности — опросы;
- для найма — архив резюме;
- для прогноза увольнений — журналы корпоративных систем.
К аналитике эти источники подключают по мере цифровизации кадровых процессов: обычно компании начинают с найма, а аналитические задачи автоматизируют последними.
Часть данных для планирования найма компания получает с внешнего рынка труда, а не из кадрового учета. Он показывает, кто уже работает в штате, но не показывает, где искать новых людей.
С этой задачей столкнулась сервисно-рекрутинговая компания Fersol: она закрывает вакансии на удаленных производственных объектах. Вместе с командой «билайна» по большим данным и ИИ она применила геоаналитику к обезличенным данным о населении. Анализ помогает оценить кадровый потенциал регионов и выбрать территории для найма вахтового персонала. Время на подготовку и первичную обработку аналитического отчета у Fersol сократилось на 90%. Для оценки используют демографические данные региона: в одном из регионов, по данным тех же компаний, трудоспособное население составляет 94% жителей. Из них 1%, вероятно, работает вахтовым методом.
Этика и 152-ФЗ: решение о сотруднике остается за человеком
Прогноз увольнения касается конкретного сотрудника, и ошибка модели влияет на его работу и карьеру. Модель может необоснованно отнести человека к группе риска или пропустить того, кто действительно собирается уйти. При таком прогнозе нужно учитывать два ограничения. Первое связано с требованиями 152-ФЗ, поскольку прогноз строят на персональных данных. Автор колонки о предиктивной аналитике в HR, директор по персоналу Skillaz Ксения Степанова, выделяет в требованиях закона три обязанности компании:
- Сбор: брать данные только с согласия сотрудников.
- Защита: держать данные в безопасности при хранении и обработке.
- Информирование: сообщать сотрудникам, какие данные собираются и как они используются.
Второе ограничение возникает из-за того, что модели учатся на прошлых решениях компании. При использовании ИИ всегда существует риск дискриминации, если алгоритмы обучены на некорректных или необъективных данных. Модель может воспроизвести в прогнозе предвзятость прошлых решений компании, поэтому ее сигнал о конкретном сотруднике проверяют в разговоре с ним. Последнее слово остается за кадровой службой и руководителем, который знает контекст команды.
«ИИ выявляет паттерны и тренды, но только человек может понять, как эти данные связаны с реальной жизнью компании»
Ксения Степанова, директор по персоналу Skillaz
Один из ожидаемых векторов развития HR-аналитики — большая прозрачность алгоритмов, снижение предвзятости в данных и более строгое соблюдение конфиденциальности. Открытая модель должна отвечать на два вопроса: почему алгоритм выделил именно этого сотрудника и какие данные использовал для такого вывода. Без такого ответа разговор с сотрудником сводится к пересказу оценки модели.
Порядок перехода от отчетов к прогнозу
Переход строится в той же последовательности, что и уровни аналитики персонала: сначала данные и описание, потом прогноз. Общий интерес к ИИ усиливает спрос на прогнозную аналитику. По исследованию ЭКОПСИ HR-метр:2026, главным трендом в управлении персоналом ИИ назвали 45,5% респондентов. От ИИ ждут практической пользы: повышения производительности и сокращения рутинных операций. Одновременно растет интерес к автоматизации HR-процессов и к аналитике: компании хотят опираться на данные в решениях о людях и измерять влияние кадровой службы на результаты бизнеса.
«В 2026 году тренд будет развиваться в сторону прогнозной аналитики: некоторые работодатели уже внедряют HR-дашборды с элементами машинного обучения, которые заранее подсвечивают подразделения с повышенным риском текучести или выявляют связь между оценкой, обучением и карьерным ростом сотрудников»
Дмитрий Королев, директор по HR-технологиям в «Авито»
Нехватку персонала ключевым вызовом назвали 40,8% компаний, годом ранее — 76%. Отдельно 43,4% респондентов назвали главным приоритетом удержание. Если главная задача — удержание, компании нужен прогноз увольнений, но к данным он требовательнее остальных задач. Разобранные кейсы соответствуют следующим шагам перехода:
- Данные. Компания регулярно ведет учет сотрудников и приводит данные в порядок.
- Описание. Результаты отчетов и опросов анализируют в разрезе подразделений. Руководители опираются на них в работе со своими командами.
- Прогноз на однородной задаче. Модель строят там, где решения принимают часто, а результат оценивают по числу нанятых сотрудников или экономии денег.
- Прогноз по поведенческим сигналам. Для прогноза увольнений нужны объединенные данные из корпоративных систем, поэтому к этому шагу переходят последним.
После перехода к прогнозу компания продолжает использовать описательную аналитику. Руководитель по-прежнему видит показатели на кадровом дашборде и по динамике текучести проверяет, сработали ли меры после сигнала модели. Если показатели не изменились, компания использует прогноз как еще один отчет, а аналитика персонала остается на описательном уровне.
Другие статьи по теме
Часто задаваемые вопросы
Что такое people analytics?
По определению британского CIPD, аналитика персонала, или people analytics, означает анализ данных о людях для решения задач бизнеса. Данные для нее накапливаются в любой компании: анкеты кандидатов, приказы, опросы, журналы корпоративных систем. Квартальный отчет об увольнениях относится к описательной аналитике, а прогноз того, кто уйдет следующим, к предиктивной.
Какие уровни аналитики персонала выделяют?
Три, по вопросу, на который отвечает аналитика. Описательная фиксирует, что произошло: сколько наняли и уволили, как менялась текучесть. Предиктивная оценивает, что вероятно произойдет: кто может уйти, сколько людей понадобится. Предписывающая предлагает решение: кого удерживать и какими мерами. По опросу hh.ru по модели зрелости Берсина на двух верхних уровнях находятся только 9% работодателей.
Можно ли получить пользу от аналитики персонала без прогнозной модели?
Да. В направлении «автомобили с пробегом» группы «КЛЮЧАВТО» с 2023 года регулярно проводят опросы вовлеченности, во второй волне участвовали 88% сотрудников. Кадровая служба показывает результаты региональным директорам через HR-партнеров и сравнивает подразделения между собой. Текучесть снизилась со 119% в 2022 году до 73% по итогам 2023, прогнозной модели в схеме нет.
Как работает прогнозная модель в массовом найме?
Модель учится на прошлых решениях. «Альфа-Банк» составил профили успешных сотрудников по резюме тех, кого уже нанял, и обучил на них модель, которая сравнивает новое резюме с профилями. Первый вариант, сопоставлявший описание вакансии с резюме, не сработал. Модель помогает нанимать около 700 сотрудников в квартал и экономит от 1,5 до 5 млн рублей в месяц, более 30% найма ведется по ее рекомендациям.
Как прогнозируют увольнения сотрудников?
По косвенным сигналам в действиях сотрудника, потому что о намерении уйти он обычно молчит до заявления. В подходе InfoWatch система строит модель обычной активности сотрудника и относит его к группе риска при отклонениях: по оценке разработчика, точность до 80%, прогноз за 25 дней до ухода. Причину и способ удержать выясняют в разговоре, решение остается за кадровой службой и руководителем.
Какие ограничения накладывает 152-ФЗ на аналитику персонала?
Прогноз строят на персональных данных, поэтому у компании три обязанности: брать данные только с согласия сотрудников, держать их в безопасности при хранении и обработке, сообщать сотрудникам, какие данные собираются и как используются. Второе ограничение этическое: модель может воспроизвести предвзятость прошлых решений, поэтому ее сигнал о конкретном сотруднике проверяют в разговоре с ним.
В каком порядке переходить от отчетов к прогнозу?
В четыре шага. Данные: компания регулярно ведет учет сотрудников и приводит данные в порядок. Описание: отчеты и опросы анализируют в разрезе подразделений. Прогноз на однородной задаче: модель строят там, где решения принимают часто, а результат виден по числу нанятых или экономии денег. Прогноз по поведенческим сигналам: для него нужны объединенные данные из корпоративных систем, поэтому к нему переходят последним.