Чтобы укрепить лояльность сотрудников, недостаточно разово поднять им зарплату или добавить льготы в соцпакет. Нужно действовать комплексно: повышать продуктивность рабочей среды, удовлетворенность процессом работы, мотивацию команды. Другими словами, работать над метриками вовлеченности.
Но можно ли узнать наверняка, как изменение одних метрик повлияет на другие, чтобы направить усилия в правильное русло? В последнем обновлении отчетов на платформе Happy Job это стало возможно. Наша команда сделала то, чего не делал еще ни один провайдер в мире, — создала предиктивную модель для расчета лояльности персонала. Рассказываем, как она устроена.
Корреляционный vs регрессионный анализ
Начнем с теории. Связь между переменными (в нашем случае между метриками лояльности и вовлеченности) в основном исследуется с помощью двух статистических методов: корреляционного и регрессионного анализов. В чем их различия?
Корреляционный анализ
Корреляция — это инструмент для измерения силы и направления связи между двумя переменными. Обычно компании и HR-провайдеры используют именно корреляционный анализ, поскольку он:
- доступный;
- быстро проводится;
- требует небольшого количества данных.
Как это работает:
Коэффициент корреляции принимает значения от -1 до 1. Если значение больше 0, это значит, что обе переменные либо увеличиваются, либо уменьшаются одновременно. Чем ближе коэффициент к 0, тем слабее связь.
Но говорит ли высокая корреляция о зависимости одной переменной от другой? Приведем пример: продажи мороженого всегда коррелируют с количеством лесных пожаров. Зависит ли одно от другого? Конечно нет. Но есть третья переменная, которая влияет на оба: жаркая погода. Отсюда и взаимная корреляция.
Поэтому заявлять о прямом влиянии одной переменной на другую на основании данных о корреляции нельзя. Корреляционная модель — хороший инструмент для предварительного анализа, который позволяет увидеть картину в целом и понять, что нужно исследовать дополнительно. Но если нужен более глубокий анализ, необходимо использовать регрессию.
Регрессионный анализ
Регрессия — это метод, который помогает выяснить, действительно ли одна переменная зависит от другой или их связь случайна, при помощи машинного обучения и анализа корреляции нескольких переменных одновременно. Кроме того, только регрессионный анализ позволяет строить численные прогнозы прироста одной метрики на основании прироста другой.
Как это работает:
- В модель добавляется переменная с самой сильной связью с зависимой метрикой лояльности, оценивается качество модели.
- Добавляется следующая по силе корреляции переменная, и так же оценивается качество новой модели. Если по сравнению с первой моделью оно повысилось, это говорит о том, что новая модель лучше описывает данные. Таким образом, вторая переменная остается в модели.
- После этого берется следующая переменная, и расчеты повторяются схожим образом для всех 50 метрик вовлеченности.
Результаты логистической регрессии обозначаются коэффициентами от 0 до +∞ — чем больше число, тем сильнее влияние. Коэффициент >1 говорит о прямом влиянии на метрику. Коэффициент <1 означает обратное влияние.
Как устроен предиктивный анализ на платформе Happy Job
Предиктивная модель Happy Job, в основе которой лежит регрессия, предсказывает уровень метрики лояльности в зависимости от повышения или падения конкретных метрик вовлеченности. При изменении показателей система делает перерасчет и показывает, как это влияет на общий уровень лояльности и положение компании в бенчмарке отрасли или страны. Каждое изменение зависит от начальных условий организации или подразделения: профиля (значения каждой метрики по результатам опроса персонала), отрасли, метрики лояльности и вовлеченности.
Факторы, влияющие на 5 метрик лояльности, расположены в порядке снижения силы их воздействия. Например, в отрасли производства еды перспективы компании сильнее всего влияют на метрику «Гордится компанией». Чуть меньше влияют «Счастье», «Успехи компании» и т. д.
Внизу отчета находится подробное пояснение к каждому изменению, сформированное искусственным интеллектом. Такое саммари дает понимание, в какую сторону двигаться и на какие метрики обратить внимание для развития лояльности персонала.
В отличие от корреляционного, предиктивный анализ требует большого количества данных. Самая большая база ответов сотрудников в России, собранная по единой методике, позволила нам построить отдельную модель для каждой из 43 отраслей. Благодаря этому платформа учитывает уникальные особенности и факторы, характерные для конкретной сферы бизнеса. А для еще большей точности мы можем построить индивидуальную модель для вашей компании.
Для чего компаниям нужен предиктивный анализ
Предиктивный анализ позволяет:
- Определять, какие именно факторы сильнее всего влияют на метрики лояльности. Это дает возможность быстро понять, за счет каких изменений можно добиться роста нужной метрики.
- Моделировать сценарии. Система покажет, как изменится итоговая метрика, если вы улучшите определенный показатель вовлеченности. Принимайте решения на основе прогнозов, а не догадок.
- Понять, скольких баллов не хватает для достижения желаемого уровня лояльности. Вы сразу видите точки роста и понимаете, куда стоит направить усилия.
- Узнать, какой «запас прочности» есть по каждой метрике, чтобы не допустить падения важных показателей ниже критических значений.
Больше не нужно тратить время на сложный анализ и пытаться угадать, какие факторы повлияют на результат. Система покажет, как лучше распределить ресурсы, чтобы получить максимальный эффект, и поможет обоснованно принимать бизнес-решения.
Протестировать новый инструмент уже можно в личном кабинете или в демо.
