پیش بینی و مدیریت ریسک ترک خدمت با استفاده از تحلیل داده های عملکردی و مسیرهای یادگیری فردی کارکنان

ترک خدمت کارکنان کلیدی، یکی از پرهزینه ترین ریسک های سازمانی در عصر کنونی است که ضمن تحمیل هزینه های جذب و جانشینی، به زنجیره ارزش سازمان و سرمایه فکری آن خسارت وارد می سازد. رویکردهای سنتی مدیریت استعفا، غالبا واکنش گرا بوده و پس از وقوع رویداد اقدام می کنند، درحالی که سازمان های پیشرو به دنبال الگوهای پیش بینی کننده مبتنی بر داده هستند. هدف اصلی این مقاله، ارائه چارچوبی یکپارچه برای پیش بینی ریسک ترک خدمت، با تلفیق دو منبع داده ی درون سازمانی یعنی «داده های عملکردی (شاخص های ارزیابی سالانه، نرخ خطا، نرخ تکمیل پروژه)» و «مسیرهای یادگیری فردی (تعداد دوره های تکمیل شده، تنوع مهارت های اکتسابی، سرعت پیشرفت یادگیری)» می باشد. همچنین، مقاله به دنبال ارائه راهکارهای مدیریتی پیشگیرانه مبتنی بر خروجی این تحلیل ها است. پژوهش حاضر با رویکرد آمیخته (کمی-کیفی) انجام شده است. در بخش کمی، داده های عملکردی و آموزشی یک بازه سه ساله از یک سازمان خدماتی گردآوری و با استفاده از الگوریتم های یادگیری ماشین (از جمله رگرسیون لجستیک و درخت تصمیم) مدل سازی شده است تا احتمال ترک خدمت هر کارمند محاسبه گردد. در بخش کیفی، با استناد به نظریه ی جانشین پروری و مدل سازگاری فرد-سازمان، پروفایل های ریسک شناسایی و طبقه بندی شدند. نتایج نشان می دهد که مهم ترین پیش بینی کننده های ترک خدمت، به ترتیب عبارت اند از: «کاهش نرخ رشد مهارتی در شش ماه دوم سال»، «انحراف منفی میانگین عملکرد از روند انتظاری» و «وقفه در تکمیل مسیرهای یادگیری تصادفی». مدل ارائه شده توانسته با دقت ۸۷ درصد، کارکنان در معرض ریسک بالا را حداقل سه ماه پیش از استعفا شناسایی کند. این مقاله نشان می دهد که واحد آموزش و برنامه ریزی نیروی انسانی می تواند با تبدیل شدن به یک «واحد تحلیل گر داده»، نقش خود را از یک ارائه دهنده ی صرف دوره های آموزشی، به یک «شریک استراتژیک کسب وکار» ارتقا دهد. پیشنهاد می شود سازمان ها به جای انتظار برای دریافت نامه ی استعفا، با طراحی «مسیرهای یادگیری پویا و شخصی سازی شده» برای کارکنان پرریسک، ضمن افزایش دلبستگی شغلی، هزینه های سنگین جانشینی را کاهش دهند. در پایان، مدل عملیاتی «سیستم هشدار زودهنگام ترک خدمت (EWS)» به عنوان دستاورد نهایی پژوهش ارائه گردیده است.

کلیدواژه ها:

پیش بینی ترک خدمت ، تحلیل داده های عملکردی ، مسیر یادگیری فردی ، مدیریت ریسک منابع انسانی ، برنامه ریزی نیروی انسانی ، یادگیری ماشین در مدیریت