[论文解读] Employee turnover prediction and retention policies design: a case study

Edouard Ribes, Karim Touahri+1 more|arXiv (Cornell University)|Jul 5, 2017

Customer churn and segmentation参考文献 38被引用 24

一句话总结

本文提出一种基于HRIS数据的机器学习方法，用于预测员工离职，并根据模型输出设计针对性的留任政策。研究表明，结合预测建模与敏感性分析，通过人才流动和定向激励等战略干预措施，可将离职率降低40%。

ABSTRACT

This paper illustrates the similarities between the problems of customer churn and employee turnover. An example of employee turnover prediction model leveraging classical machine learning techniques is developed. Model outputs are then discussed to design \& test employee retention policies. This type of retention discussion is, to our knowledge, innovative and constitutes the main value of this paper.

研究动机与目标

• 将客户流失预测方法 adapted 至企业环境中的员工离职预测。
• 基于经典机器学习技术，开发一种数据驱动的员工离职预测模型。
• 将模型输出转化为可操作的、基于证据的留任政策。
• 通过在预测风险评分上进行敏感性分析，测试特定留任策略的有效性。
• 弥合预测分析与人力资源政策设计在人员规划中的差距。

提出的方法

• 基于领域专业知识和文献综述，从HRIS数据中构建特征，包括工作年限、绩效评分、地理位置和团队结构等。
• 应用多种机器学习算法（例如，随机森林、XGBoost），并通过SMOTE及其他重采样技术处理类别不平衡问题。
• 通过交叉验证和性能指标（如AUC、精确率-召回率）在真实世界匿名数据集上选择表现最佳的模型。
• 通过模拟五种不同留任政策（P1–P5）对预测离职率的影响，开展敏感性分析。
• 利用模型估算的风险评分优先实施干预措施，聚焦高风险个体，最小化资源浪费。
• 通过估算对18%的员工实施针对性行动后离职率的下降情况，验证政策有效性。

实验结果

研究问题

• RQ1 如何利用HRIS数据训练的机器学习模型，实现高精度的员工自愿离职预测？
• RQ2 哪些留任政策——如调动、管理变更或激励措施——最有效地降低预测离职率？
• RQ3 对模型输出进行敏感性分析，在多大程度上可指导成本效益最优的留任策略设计？
• RQ4 将领域专业知识融入特征工程，如何提升离职预测模型的可解释性与可靠性？
• RQ5 在降低离职率方面，员工流动与针对性留任计划之间应保持何种最优平衡？

主要发现

• 模型预测约40%的员工处于高离职风险，表明存在显著的留任挑战。
• 实施针对性留任政策后，实际离职率降至24%，相当于将原始风险降低了40%。
• 仅需干预总员工数的18%，其中25.4%的高风险员工需要更换主管，11.11%需提供留任激励。
• 最有效的留任策略是跨岗位的人才流动，表明内部调动比外部招聘或孤立激励更能有效降低离职率。
• 模型性能对特征质量敏感，且缺乏详细的薪酬数据，限制了对理性经济权衡的建模能力。
• 本研究证明，将预测建模与政策模拟相结合，可使HR团队更有效地优先实施行动，提升留任效率。