استفاده از تجزیه و تحلیل بقا برای کاهش جابجایی کارکنان: یک مورد عملی

تجزیه و تحلیل گردش مالی موضوعی است که اغلب در منابع انسانی ذکر شده است. با این حال، چیز زیادی در مورد نحوه انجام آن نوشته نشده است. در این مقاله یکی از رایج‌ترین تحلیل‌های مورد استفاده برای گردش مالی، تحلیل بقا را با استفاده از یک مجموعه داده واقعی توضیح خواهیم داد.

توجه: برای این مقاله حداقل دانش در مورد تجزیه و تحلیل بقا مورد نیاز است. بنابراین ما مقالات زیر را توصیه می کنیم:

• تجزیه و تحلیل گردش کارکنان – روشهای توصیفی – ریچارد روزنو
• تجزیه و تحلیل گردش کارمندان – روش های پیش بینی – ریچارد روزنو
• ویدئو: علم داده برای بهینه سازی نیروی کار: کاهش ساییدگی کارکنان – پاشا رابرتز
• نحوه استفاده از Survival Analytics برای پیش بینی گردش مالی کارکنان – презентация slideshare от Pasha Roberts

این مورد بر اساس داده های واقعی یک شرکت مرکز تماس است که پنج شعبه در سراسر روسیه دارد. ما گمان می کنیم که شما از ویژگی های مراکز تماس آگاه هستید، جایی که نرخ گردش مالی یک مسئله کلیدی است.

ما فقط از داده های موردی استفاده خواهیم کرد و کل تجزیه و تحلیل را شرح نمی دهیم. هدف از این مقاله نشان دادن روش تجزیه و تحلیل گردش مالی، رویکردی است که ما را به بینش خود و مشاوره به مدیریت رساند.

این مقاله دارای کد در R و داده های مورد مطالعه است. ما شما را تشویق می‌کنیم که تحلیل را تکرار کنید یا این رویکرد را برای داده‌های خود اعمال کنید. اگر نتایج پرونده های خود را به اشتراک بگذارید خوشحال می شود. امیدواریم کد R برای شما مفید باشد و با خوشحالی نظرات شما را بشنویم.

الهام بخش کار بر روی گردش مالی در یک مرکز تماس از این مقاله می آید – CV را فراموش کنید، داده ها در مورد مشاغل تصمیم می گیرند.

پکیج های لازم:

کتابخانه (روغن کاری)
کتابخانه (بقا)
کتابخانه (ggplot2)

مجموعه داده (turnover.csv) را بارگیری کنید و اعمال کنید:

q = read.csv(“turnover.csv”، header = TRUE، sep = “،”، na.strings = c(“”,NA))

خیابان (q)

مورد ما از داده های 1785 کارمند استفاده می کند.

متغیرها:

$ exp – طول مدت اشتغال در شرکت

$ رویداد – رویداد (1 – خاتمه یافته، 0 – در حال حاضر به کار گرفته شده است)

شاخه $ – شاخه

خط لوله $ – منبع استخدام

لطفاً توجه داشته باشید که داده ها از قبل برای تجزیه و تحلیل بقا آماده شده اند. همچنین مدت زمان استخدام بر اساس فرمول زیر بر حسب ماه تا دو رقم اعشار محاسبه می شود: (تاریخ آتش سوزی – تاریخ استخدام) / (365.25 / 12).

در ادامه به وضعیت کلی گردش مالی نگاه می کنیم. توجه داشته باشید برای راهنمایی در مورد نحوه محاسبه گردش مالی کارکنان، روی پیوند کلیک کنید.

w = coxph(Surv(exp, event) ~ 1 , data = q)

quantile(survfit(w)، conf.int = FALSE)

25 50 75

1.61 3.52 9.12

Visualizingpar (bg = “خاکستری”)

plot(survfit(w)

xlim = c(0، 12)، ylim = c(0.0، 1)،

col = c (“قرمز”)،

lwd = 3، xaxt=’n’، yaxt=’n’)

axis(side=1, at=seq(0, 12, 1), cex.axis=1.8)

axis(side=2، at=seq(0.0 , 1.0, 0.1)، las=2، cex.axis=1.8)

abline(v=(seq(0, 12, 1)), col=”مشکی”, lty=”نقطه دار”)

abline(h=(seq(0.0, 1, 0.1))، col=”سیاه”، lty=”نقطه دار”)

زیباست، نه؟ نمودار بالا به سادگی رویای هر تحلیلگر داده است. همانطور که در بالا مشاهده می شود، میانگین کارمندان مرکز تماس به مدت 3.5 ماه در شرکت کار می کنند. ما همچنین آن را “متوسط عمر” در شرکت می نامیم.

این یک نکته حیاتی است. شما احتمالاً با تعاریف مختلفی از «متوسط عمر» بر اساس رزومه کارمندان خاتمه یافته مواجه شده اید. تنها استفاده از اطلاعات مربوط به کارکنان خاتمه یافته یک سوگیری ایجاد می کند که این روش را ناقص می کند.

بگذارید این را توضیح دهم: تصور کنید 200 کارمند استخدام کرده اید. بعد از نیم سال 50 بازنشسته شدند. با استفاده از روش‌های تحلیل استاندارد، می‌توانیم آمار توصیفی را فقط برای این 50 مورد محاسبه کنیم. این معتبر نیست، زیرا هنوز 150 کارمند داریم که نمی‌توانیم بگوییم تا چه مدت کار می‌کنند. بدون آنها، تجزیه و تحلیل نادرست خواهد بود.

تجزیه و تحلیل بقا اجازه می دهد تا هم افرادی که هنوز در شرکت کار می کنند و هم کسانی که اخراج شده اند را در نظر بگیریم.

تفسیر بیشتر

ما یک مرور کلی در مورد طول مدت استخدام شرکت دریافت کردیم. اکنون می خواهیم نگاهی به تفاوت های گردش مالی در هنگام در نظر گرفتن منبع استخدام بیندازیم. ابتدا، بیایید ببینیم هر نامزد چگونه منابع بوده است:

خلاصه (q$pipeline)

cs ea js ref sm

59 68 1286 310 62

• cs – سایت شغلی شرکت
• ea – آژانس/مرکز کاریابی
• js – سایت های کار
• رفر – ارجاعات
• sm – رسانه های اجتماعی

به نظر می رسد سایت های شغلی بخش بزرگی از قیف را به خود اختصاص می دهند، اما این برای بازار روسیه غیرعادی نیست.

در مورد خود تحلیل:

k = relevel(q$pipeline، ref = “js”) #

ما “سایت های شغلی” را به عنوان سطح مرجع خود در نظر خواهیم گرفت، زیرا این بزرگترین منبع است. همه منابع دیگر با آن مقایسه شده اند.

w1 = coxph(Surv(exp، رویداد) ~ k، داده = q)

خلاصه (w1)

تماس بگیرید:

coxph(فرمول = Surv(exp، رویداد) ~ k، داده = q)

n = 1785، تعداد رویدادها = 1004

coef exp(coef) se(coef) z Pr(>|z|)

kcs -0.56725 0.56708 0.19379 -2.927 0.00342 **

kea -0.79360 0.45221 0.19056 -4.165 3.12e-05 ***

kref -0.17166 0.84226 0.08693 -1.975 0.04830 *

ksm -0.25787 0.77269 0.16856 -1.530 0.12605

–

Signif. کدها: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 “” 1

exp(coef) exp(-coef) low 0.95 upper .95

kcs 0.5671 1.763 0.3879 0.8291

kea 0.4522 2.211 0.3113 0.6570

kref 0.8423 1.187 0.7103 0.9987

ksm 0.7727 1.294 0.5553 1.0752

تطابق = 0.542 (se = 0.008)

Rsquare = 0.018 (حداکثر ممکن = 1)

آزمون نسبت درستنمایی= 33.22 در 4 df، p=1.079e-06

تست والد = 28.23 در 4 df، p=1.12e-05

نمره (لوگرانک) آزمون = 29.17 در 4 df، p=7.231e-06

برای تجسم داده های خود، از کد زیر استفاده می کنیم:

w = coxph(Surv(exp، رویداد) ~ خط لوله، داده = q)

خلاصه (w)

plot(survfit(w, newdata=data.frame(pipeline = c(‘cs’, ‘ea’,’js’,

‘ref’، ‘sm’))) ,

xlim = c(0, 12) , ylim = c(0.0, 1),conf.int = FALSE, # Post TRUE

col = c (“قرمز”، “آبی”، “زرد”، “سبز”، “خاکستری1”)،

lwd = 4، xaxt=’n’، yaxt=’n’)

axis(side=1, at=seq(0, 12, 1), cex.axis=1.5)

axis(side=2، at=seq(0.0 , 1.0, 0.1)، las=2، cex.axis=1.5)

abline(v=(seq(0, 12, 1)), col=”مشکی”, lty=”نقطه دار”)

abline(h=(seq(0.0, 1, 0.1))، col=”سیاه”، lty=”نقطه دار”)

legend(“پایین سمت چپ”, legend=c(‘cs’, ‘ea’,’js’,

“ref”، “sm”)،

col = c (“قرمز”، “آبی”، “زرد”، “سبز”، “خاکستری1”)، cex = 1.5، lty = 1، pch = “”،

lwd = 4، x.intersp = 0.1، y.intersp = 0.3، text.width = 1، box.lwd = 0)

چگونه باید نتایج را تفسیر کنیم؟

با نگاهی به “عملکرد عمومی”، می بینیم که این مقدار خیلی بالا نیست (Concordance[1]= 0.542). از 0.5 تا 1 متغیر است. در این مورد، مقدار 0.5 نشان دهنده عدم همبستگی، 1 نشان دهنده همبستگی کامل است. به این ترتیب، 0.542 یک نتیجه بسیار پایین است. با این حال، به یاد داشته باشید که نتیجه تنها بر اساس یک متغیر است.

ریسک فرسایش کارکنانی که از سایت شغلی شرکت تامین می‌شوند 1.76 برابر کمتر از کارمندانی است که از سایت‌های شغلی منشأ می‌گیرند (به exp(-coef) مراجعه کنید).

کارمندان آژانس های کاریابی 2.2 برابر خطر ساییدگی کمتری نسبت به کارمندان محل کار نشان می دهند.

کارمندانی که ارجاع داده شدند نیز نرخ ریسک فرسایشی را نشان می‌دهند که 1.18 برابر کمتر از کارمندانی است که از سایت‌های شغلی تامین می‌شوند. مقدار p برای این یافته 0.048 است. با این حال، این به ما اجازه نمی دهد مطمئن باشیم که ارجاعات ریسک ترک شرکت را کاهش می دهند.

آیا از نتایج شگفت زده شده اید؟ به خصوص بخش مربوط به ارجاعات؟ امروزه برنامه های ارجاع از حمایت زیادی برخوردار بوده و اغلب تبلیغ می شوند. با این حال، در مورد ما، برنامه ارجاع نتایج مورد انتظار ما را به ارمغان نمی آورد.

بنابراین، ما اولین نقطه عمل خود را داریم: به مدیریت توصیه می کنیم برنامه ارجاع را تجزیه و تحلیل کنند و بفهمند که چرا آن طور که انتظار می رود کار نمی کند. این می تواند به دلیل یک سیستم پاداش ارجاع نامتناسب باشد.

شاخه ها

بیایید نگاهی دقیق تر به گردش مالی در شاخه های مختلف داشته باشیم:

خلاصه (q$ شاخه)

پنجم اول چهارم دوم سوم

70 541 343 690 141

نام شعب به دلایل محرمانه حذف شد.

تجزیه و تحلیل از همان الگوی شرح داده شده در بالا پیروی می کند و می توانید به راحتی آن را بازتولید کنید. نتایج نشان داد که بین شاخه ها تفاوت معنی داری وجود دارد.

برای گام بعدی، تصمیم گرفتیم به نسبت های منبع در هر شاخه نگاه کنیم. جدول محوری اکسل یک ابزار عالی برای انجام این کار است.

در اینجا یک نمایش بصری است:

به یاد داشته باشید که شعبه ^سوم کمترین نرخ گردش مالی را دارد، بعد ^چهارم و سپس ^دوم است. متوجه شدیم که مدیران شعب از نظر خط مشی استخدام آزادی زیادی دارند و نمودارهای بالا نه تنها نسبت منابع استخدامی را نشان می دهد، بلکه نگرش مدیران را نیز نشان می دهد: استخدام از طریق سایت های شغلی کم هزینه است: فقط یک شغل ارسال کنید و منتظر بمانید. برای یک پاسخ جذب پرسنل در برنامه ارجاع نیاز به تلاش زیادی دارد. کار با مرکز کاریابی نیز مستلزم زمان، هزینه و تلاش قابل توجهی از مدیر / منابع انسانی است.

توصیه های مدیریت:

در خاتمه، مدیریت توصیه می شود:

• برنامه ارجاع را تجزیه و تحلیل کنید تا بفهمید چرا به کاهش گردش مالی مطلوب منجر نمی شود.
• نامزدهای آژانس کاریابی بیشترین مدت را در شرکت ماندند. بنابراین، نامزدهای آژانس کاریابی را تجزیه و تحلیل کنید و “پرتره” آنها را برای استفاده به عنوان مرجع برای استخدام از منابع دیگر تعریف کنید. به عنوان مثال، به عنوان یک فرضیه، می توان گفت که داوطلبان مرکز کار از کیفیت پایین تری برخوردار هستند.
• ترافیک سایت شغلی شرکت را تجزیه و تحلیل کنید و درک کنید که چرا نامزدهای بیشتری را به شعبه ^سوم می آورد.
• به مدیران شعبه ^سوم اجازه دهید کارگاهی در زمینه کار با مراکز کاریابی برگزار کنند.

[1] تطابق، یا شاخص C، معیاری برای تجزیه و تحلیل بقا است. این شاخص c، که از آزمون رتبه‌ای دو نمونه‌ای Wilcoxon-Mann-Whitney مشتق شده است، با در نظر گرفتن همه جفت‌های ممکن از موضوعات به گونه‌ای محاسبه می‌شود که یک آزمودنی پاسخ داده و دیگری پاسخ نداده است. شاخص نسبت چنین جفت هایی است که پاسخ دهنده احتمال پاسخگویی پیش بینی شده بالاتری نسبت به پاسخ دهنده دارد . این شاخص برابر است با تفاوت بین احتمال تطابق و احتمال عدم تطابق جفت‌های زمان بقای پیش‌بینی‌شده و جفت‌های زمان بقای مشاهده‌شده، که برای سانسور حساب می‌شود.

برای مطالعه بیشتر در مورد تطابق، استراتژی‌های مدل‌سازی رگرسیون هارل و فرانک با کاربرد در مدل‌های خطی، رگرسیون لجستیک و تحلیل بقا را بررسی کنید.