コンセプト: 離職予測方法論
離職予測では、アンケートと従業員データを使用して、会社のセグメントに離職リスク レベルを割り当てます。結果の使用と解釈の詳細については、以下を参照してください。 コンセプト: 離職予測レポート。
の計算
離職予測では、Peakon データベース内の何百万もの調査データ ポイントにわたる離職行動に基づいてトレーニングされた統計モデルを使用します。セグメントごとの離職リスクを決定する際に、モデルは 5 つの主要な要素を使用し、次の順序に従います。
- このモデルは従業員あたりの離職リスクを計算します。
- 次に、モデルは従業員レベルの離職リスクを使用して、各セグメントおよび会社全体の平均離職リスクを計算します。
- モデルは、各セグメントの平均リスクを会社の平均リスクと比較し、離職リスク レベルを割り当てます。例: マーケティング部門の離職リスクは、組織内の上位 10% に入ります。
重要な要素
要素 | 説明 |
|---|---|
エンゲージメントスコア | eNPS の質問に対するベンチマークとの違い: [あなたの組織] を勤務先として推奨する可能性はどのくらいありますか? eNPS の質問に 0 ～ 6 のスコアを付けた従業員は、9 ～ 10 のスコアを付けた従業員よりも退職する可能性が 3 倍以上高いことがわかりました。 従業員は通常、新しい仕事に初めて着任したときに最も熱心に取り組みます。平均すると、従業員が退職する意思があるかどうかに関わらず、雇用後最初の 2 年間のエンゲージメントは最大 1 ポイント低下します。これは予想されたことであり、在職期間 1 年後に減少率は安定することがよくあります。 |
ロイヤルティスコア | 忠誠心の質問に対するベンチマークとなる差異: 別の組織で同じ職務を提供された場合、あなたが [組織] に留まる可能性はどのくらいありますか? 企業に残る従業員の平均ロイヤルティ スコアは、退職する従業員の平均ロイヤルティ スコアより 20% 高くなります。 |
成長スコア | 成長の質問に対するベンチマークとの違い: 私は専門的に成長していると感じています 。この質問は、従業員が個人的成長とキャリア成長を向上させる機会をどのように認識しているかに関するものです。 |
参加者 | 集計された最新の調査ラウンドの参加率。 退職する従業員の回答率は残留する従業員に比べて 15% 低くなります。アンケート回答の分析によると、アンケートに回答することに興味を示さなくなった従業員は、職場の改善に取り組むことにも興味を示さなくなり、組織を離れるリスクが高くなります。 |
在職期間 | 在職期間 (または同等の) 属性に従って組織で費やされた時間。一般的に、従業員は最初の 2 年以降ではなく、最初の 2 年間に退職する可能性が高くなります。在職期間の 3 か月後が、エンゲージメントが最も低下する時期でもあります。 これは矛盾を生じさせます。表面上は他の在職期間グループに比べて従業員のエンゲージメントが高いのですが、退職する可能性も高いのです。在職期間の長さを計算に考慮に入れると、離職リスクのより正確な指標が得られます。 離職予測機能ではユーザー インターフェースに 3 つの在職期間範囲が表示されますが、予測モデルでは在職期間セグメントをこれらの在職期間範囲にマッピングします。
離職モデルでセグメントを在職期間の範囲にマッピングするには、在職期間の範囲のカスタマイズが上記の範囲内に収まるようにしてください。 |
離職予測ヒート マップには、離職リスクの計算には寄与しませんが、コンテキストとして過去の退職の列も表示されます。
「辞職」
列には 、「離職理由」
属性内の 「辞職」
セグメントのデータが表示されます。離職リスクレベル
つまり、離職モデルは、「各セグメントの離職リスクは、組織内の平均離職リスクと比べてどうなのか」という質問に答えます。解釈と推奨事項については、 コンセプト: 離職予測レポート。
リスクレベル | セグメントごとの離職リスク |
|---|---|
深刻 | このセグメントの離職リスクは、組織内の上位 10% に入ります。 |
高 | このセグメントの離職リスクは、組織内の上位 25% に入ります。 |
平均より上 | このセグメントの離職リスクは、組織内の上位 50% に入ります。 |
低下 | このセグメントの離職リスクは、組織の下位 50% にあります。 |
低 | このセグメントの離職リスクは、組織の下位 25% にあります。このセグメントのエンゲージメントは高いです。 |
最小 | このセグメントの離職リスクは、組織の下位 10% にあります。このセグメントのエンゲージメントは高いです。 |
セグメントの構成、つまりセグメントごとの減少リスクが組織のコンプライアンス要件を満たしているかどうかを判断するには、法律顧問に相談してください。お客様は、この機能が意図的であるかどうかにかかわらず、直接的または間接的に差別や差別的な結果を引き起こさないように、この機能の使用に関する設定と従業員への指示を行うことができます。お客様は、差別禁止法に基づいて要求される可能性のある評価、テスト、または文書化を含む、離職予測モデルの使用および離職リスクから生じるあらゆる法的義務を理解し、遵守する責任を負います。
予測精度の向上
Peakon の離職リスク モデルは、次の場合に最も正確に機能します。
- フィードバックを実行しながら、積極的な調査参加を増やします。
- 傾向とリスクを早期に特定するために、調査頻度を高めます。回答が新しいほど、現在のリスクの予測精度が高まります。
- 標準の忠誠度と成長に関する質問を有効にします。
- 標準の在職期間範囲を使用するか、カスタマイズされた範囲が離職予測モデルが使用する範囲内に収まることを確認します。例: 元々 3 ～ 12 か月の範囲内にあったセグメントを 3 ～ 6 か月と 6 ～ 12 か月に変更すると、両方のセグメントが引き続き範囲内に収まります。ただし、範囲を 3 ～ 13 か月に変更すると、離職モデルはセグメントを適用可能な間隔にマッピングできなくなります。
Peakon では、Attrition Risk 機能が動作するために上記のポイントは必要ありませんが、スコアの精度が向上し、モデルで使用されるデータ セットに貢献します。