員工離職分析案例
節節高升的離職率是所有大公司 CEO 的夢魔
你知道根據蓋洛普 (Gallup) 的調查顯示，已經有接近一半的美國人想要離開現在的公司1，並創下 17 年以來的新高嗎？你知道以全球 3000 名員工規模大小的公司為例，每年因離職的損失估計可達 4 億 2 千萬美元嗎？
員工離職已成為各個 CEO 的夢魘。根據普華永道 CEO Survey2，全球 75% 的 CEO 認為招募好的人才是企業成功的關鍵，72% 的 CEO 擔心招募不到關鍵技術人才，其中 48% 的 CEO 計畫增加招募員工。由此可知，保留公司內部優秀人才與發掘外部擁有關鍵技術的人員是全球 CEO 的首要工作。
只要離職率降低 1%，便能節省千萬美元
雖然少量的汰換員工有助於為公司帶來新血，但是超過 20% 的離職率對於公司是有破壞性的影響。一旦失去了一位優秀的員工，這不僅增加公司人力資源部門的工作量（平均需要花 52 天的時間招募一個新的員工），主管必須花時間面試，更影響了公司整體的士氣。就算找到了，新員工需要時間來學習並培訓出所需技能，且需融入團隊文化與溝通。根據 Deloitte 的報告，新員工需要大約 60 天3才能順利完成職務並達到預期的生產力，因此平均每一個自願離職的員工對企業造成的損失為 109,676 美元，高學歷高階主管自願離職的成本甚至可達年薪的 2.13 倍4。
在這變化多端的人力資源市場裡，企業必須有效地降低離職率。即使是降低了 1%，也能使規模 3萬人的公司每年節省約 3 千 3 百萬美元的浪費。那麼，究竟該如何有效降低離職率呢？
美國人力資源顧問公司 Robert Half 提出以下留住員工 (employee retention) 的建議5：提供完整的公司介紹能讓員工更融入、安排資深同事擔任新進員工的職涯導師 (mentor)、給予有市場競爭力的薪資、讓員工的工作與個人生活取得平衡 (work-life balance) 以避免員工累壞或是倦怠、提供員工專業訓練的機會、維護開放且流暢的內部溝通與反饋機制、以及促進組織團隊合作，例如增進團隊對共同目標的理解並讓團隊成員貢獻新的解決方案等等。
利用數據分析看見其中洞見，美國大企業領先全球
上述幾點都是非量化的策略，要更精確的找出員工離職的解決方案必須使用量化的數據分析來找出離職的根本原因6，進而降低離職率。我們就來看接下來兩個案例：
- 美國的銀行 BBVA Compass 利用數據分析發現了特定 10% 的分行就佔了全體離職員工的41%。正因為如此，BBVA Compass 能夠針對這些分行提出解決方案且最終降低了整體44% 的離職率。
- 美國的聯合醫院 Children’s Health 在分析過去的數據後，發現某些醫院的新進員工在第一年後離職的比例非常高，也發現只要提高一些時薪就可以大幅提升員工保留率。最終 Children’s Health 員工離職率從 17.8% 降到 15.3%，且在三年內省了 1 千 5 百萬美金的成本。
透過自動化機器學習與人工智慧來自動化招募流程，大量節省時間與人力成本
以上是較為傳統的非量化分析以及基本數據分析。近期許多大企業已經開始使用自動化機器學習與 AI 預測來自動化招募流程，在更早期的招募流程裏，進行履歷快篩，藉以預測哪一些人有可能會在短時間內離職，減少員工大量離職的風險。
除此之外也有企業建立一個人才資料庫，包含過去離職過的員工資料，並用機器學習演算法(Machine Learning)來訓練離職預測模型，之後只要把相關的應徵資料丟進去預測模型即可知道這個應徵者是否在加入公司後短時間就會離職。這個方式可以提供一個自動化且量化的招募流程，且確保招募進來的人不會馬上離職，避免因為人力缺乏導致的低生產力。
想知道機器學習與AI的不同處，以及要如何使用此技術來訓練出有效的離職預測模型嗎？請看這篇：如何快速轉型成為 AI 賦能企業？關鍵在於自動化機器學習
