大数据，预测企业员工“离职风险”

现在企业发展迅速，人员流动频繁，人事部门可能最头疼的不是人员的招聘，而是在职人员离岗问题，随着大数据技术的发展，不少的人力资源软件供应商都在说他们的软件可以预测“职员离职风险”，降低员工的离职率，但是有多少软件能够真正预测到呢？结果又是否有效呢？

首先，预测“离职风险”重要吗？

很重要，中国虽然是人口大国，但随着中国老龄化时代的到来，中国生产力在逐渐的表现出招工难，留人难的问题，特别是专业性人才的留用。公司若要稳定发展也越来越要求企业员工的流动保持在一个较低的稳定值上，因为一份分析了48个独立个体的研究中表明，离职真的对财务业绩、客户服务、劳动生产率和安全产出都有影响，那么减低员工的离职率无疑就要落实在人力资源部门。很多人尝试去通过估计直接成本和间接成本来量化离职的的影响。但研究表明关于成本和人员损耗的联系仍然有很大程度上的不同。因为考虑到的因素和作用也是多样化的。

利用盈亏的底线来做一些好的开支计划，降低员工的离职风险，但是滥用保留员工策略，例如，人力资源或者是经理们用来防止辞职所采用的方法：加薪，奖金或者是升职。当这些策略没有硬数据来支撑的话，结果将会十分有限，更糟糕的是，很多时候这些策略可能会被误用在挽留那些实际上并没有离职意愿的职员身上。

如何使用数据来引导挽留策略的实施，做到精确定位，将注意力聚焦并将钱花费到最有用的地方，而不是在整个公司采用挽留策略。如果你可以使用预测分析来准确的识别那些有离职风险的员工，尤其是表现出色的员工以及是关键角色的人，那么你就可以在保证生产力和绩效提升的同时，避免这些成本浪费。在这种情况下，关键就是：准确。

这种预测分析使用起来容易吗？

这个可能不太容易，因为你在使用预测模型时，首先需要有方法来证明你的这种预测是有效的。而这种预测分析至少要分析2-3年的数据，才可能证明是否有效，当然能有更多地数据作分析研究，结果会更准确。

再有，预测准确性主要还是要依靠建造模型的数据。如果只是一家公司的数据来做模型的依据的话，那么它的适用性不见得适用于其他公司，而且就是同一家公司，第一年和第二年相比，在同一个模型下，也可能发生不同的结果。
最主要的问题是如今大多数的“离职风险”预测分析能力还处于研发初级阶段—没有足够多的数据在足够长的时间里并被不同的公司使用到足够多的员工身上。

那么现在有较为准确的“离职预测”分析技术吗？

人力资源专家、人力资源技术会议之父—Bill Kutik，进行“离职风险”预测分析测试。将所有所知的关于预测分析的情况和匿名的数据放到云平台上，一步一步的应用“离职风险”预测分析技术。结果表明，预测谁会在接下来的三个月中辞职时比猜测和直觉要精确8倍，如果关注前100名有“离职风险”的员工时，会精确10倍。

6大通过在员工身上应用一段时间机器学习，可以赋值一个“离职风险”分数并将它们从高到低进行排列。这些计算都是动态和即时的，因此当一个人力资源分析师，商业伙伴或者领导询问在一个特别的员工子群体（例如，指定了一个角色、情景、任期以及绩效水平）中谁有“离职风险”时，系统会基于最近适用于用户的数据自动的提供相关结果。

手里持有这些信息，人力资源可以采取行动来应对最脆弱的群体或者是那些准备离职的人。

人力资源在预测分析中至关重要的作用

大数据的预测分析并不能取代人的干预，他只是提供一组数据，而不能提供一个清晰的行动方案，尤其是在处理一些情感因素数据时。

预测分析所得到的信息不仅仅是谁将要离职，往往包含其他更多的东西，它还包括为什么要离职等。在许多放面，预测为什么离职比指名某个人准备离职要更加有价值，因为它通过直击原因的根源来使人力资源采取深切的、精准的，长期的行动来降低离职率。