[論文レビュー] "How to make them stay?" -- Diverse Counterfactual Explanations of Employee Attrition

André Artelt, Andreas Gregoriades|arXiv (Cornell University)|Mar 8, 2023

AI and HR TechnologiesBusiness, Management and Accounting被引用数 3

ひとこと要約

本論文は、複数の履歴的事例における集合的特徴変化を特定することにより、離職確率を低減するための多様なポリシー水準の反事実的説明を生成する画期的なフレームワークを提案する。給与引き上げや直近の昇進からの経過時間の短縮といった干渉を最適化することで、個別事例の説明を上回る実行可能なHR戦略を提供し、退職防止の文脈に整合する。

ABSTRACT

Employee attrition is an important and complex problem that can directly affect an organisation's competitiveness and performance. Explaining the reasons why employees leave an organisation is a key human resource management challenge due to the high costs and time required to attract and keep talented employees. Businesses therefore aim to increase employee retention rates to minimise their costs and maximise their performance. Machine learning (ML) has been applied in various aspects of human resource management including attrition prediction to provide businesses with insights on proactive measures on how to prevent talented employees from quitting. Among these ML methods, the best performance has been reported by ensemble or deep neural networks, which by nature constitute black box techniques and thus cannot be easily interpreted. To enable the understanding of these models' reasoning several explainability frameworks have been proposed. Counterfactual explanation methods have attracted considerable attention in recent years since they can be used to explain and recommend actions to be performed to obtain the desired outcome. However current counterfactual explanations methods focus on optimising the changes to be made on individual cases to achieve the desired outcome. In the attrition problem it is important to be able to foresee what would be the effect of an organisation's action to a group of employees where the goal is to prevent them from leaving the company. Therefore, in this paper we propose the use of counterfactual explanations focusing on multiple attrition cases from historical data, to identify the optimum interventions that an organisation needs to make to its practices/policies to prevent or minimise attrition probability for these cases.

研究の動機と目的

• 個別事例の説明ではなく、データドリブンで実行可能なHRポリシーとして離職を防止する課題に取り組む。
• SHAPのような伝統的な解釈可能性手法の限界を乗り越え、ポリシー関連の推奨を生成する。
• 複数の離職事例にわたる一貫性のある特徴値の変更を特定し、離職確率を最小化する。
• HR部門が主要な従業員グループの離職率を改善するためにスケーラブルで一般化可能な推奨を提供する。
• ブラックボックス機械学習モデルと実際のHR意思決定の間のギャップを、集団的かつ実装可能な変更に焦点を当てることで埋める。

提案手法

• 個別インスタンスではなく、複数の従業員離職事例を同時に処理する反事実的説明技術を適用する。
• クラスの不均衡を是正するため、データ標準化とランダムアンダーサンプリングを施した後、IBM従業員離職データセット上でバイナリ分類器（例：XGBoost、ランダムフォレスト）を訓練する。
• 給与引き上げ、直近の昇進からの経過時間、職務満足度などの特徴に対する最小限で一貫性のある変更を特定することで、モデルの離職予測を逆転させる反事実を生成する。
• 給与引き上げと職務満足度の向上といった異なる政策オプションを反映させるために、多様な反事実的ソリューションを最適化する。
• ハイパーパramータチューニングと交差検証を用いて、データセット全体にわたるモデルの頑健性と一般化性能を確保する。
• 組織の制約と離職要因に関する文献に整合するように、実現可能で現実的な干渉を優先する。

実験結果

リサーチクエスチョン

• RQ1 複数の事例にわたる離職防止のための政策水準の推奨を生成するために、反事実的説明はどのように適合されるべきか？
• RQ2 給与、職務満足度、昇進タイミングなどの特徴変更の組み合わせの中で、従業員のグループの離職予測を逆転させるために最も効果的なのはどれか？
• RQ3 多様な反事実的ソリューションは、実行可能性とHRのベストプラクティスへの整合性において、どのように比較されるか？
• RQ4 複数インスタンスの反事実的説明は、個別事例の説明を上回る実行可能なHR戦略を提供できるか？
• RQ5 組織がスケールアップして離職を低減するために実装できる、最も効果的で低コストの干渉は何か？

主な発見

• 給与引き上げ率を40%引き上げると、複数の従業員事例において離職確率が低水準に低下すると予測される。
• 直近の昇進からの経過時間を約5年短縮することで、離職の可能性が顕著に低下する。
• 給与を20%引き上げるとともに職務満足度を50%向上させる統合的干渉は、離職予測を効果的に逆転させる。
• 本手法は、給与、職務満足度、昇進タイミングが離職防止において最も影響力のある要因であると特定しており、既存の離職防止文献と整合する。
• 複数の事例に対して生成された反事実的説明は、個別事例の説明よりもスケーラブルで実行可能なHRポリシー推奨を提供する。
• 本手法は、将来的な拡張において実装の難易度順に並べ替え可能な多様で実現可能な干渉戦略を生み出す。