Perché l'uscita precoce nel settore tecnologico riguarda più il slancio professionale che la cultura

      TL;DRA Uno studio di People Analytics che ha analizzato 205 professionisti della tecnologia ha scoperto che l'uscita precoce dei dipendenti è guidata più dalla stagnazione della carriera che dalla cultura aziendale. Le promozioni, la mobilità interna e le opportunità di crescita visibili sono stati i più forti predittori di retention, mentre la socializzazione del team ha avuto poco impatto misurabile.

      Sono entrato in questa ricerca convinto di conoscere già la risposta.

      Dopo più di un decennio in People Analytics, gli ultimi anni in Meta, avevo una teoria di lavoro su perché i dipendenti tecnologici lasciano il lavoro entro il primo anno. Due cose, credevo, stavano causando la maggior parte del danno: se qualcuno veniva promosso e con quale frequenza socializzava con il proprio team immediato al di fuori del lavoro. La prima sembrava ovvia. La seconda sembrava il tipo di fattore umano che l'industria sottovaluta costantemente.

      Avevo ragione a metà.

      Quando ho intervistato 205 professionisti della tecnologia a livello globale e ho addestrato un modello di apprendimento automatico per prevedere l'uscita precoce, le promozioni sono emerse come il segnale più forte nel dataset. Ma la socializzazione? Ha registrato a malapena. E i fattori che contavano insieme alle promozioni indicavano un luogo che non avevo completamente previsto. L'uscita precoce nel settore tecnologico non è principalmente un problema di cultura. È un problema di slancio nella carriera.

      Questa scoperta ha cambiato il mio modo di pensare alla retention. Sospetto che potrebbe fare lo stesso per te.

      La tecnologia ha sempre avuto un problema di attrito

      L'industria tecnologica ha uno dei tassi di attrito più alti di qualsiasi settore. La durata mediana in molte aziende tecnologiche si attesta intorno a un anno, indipendentemente dalle dimensioni dell'azienda. Questo non è un postumi di pandemia o un'anomalia del mercato del lavoro caldo. È stata la base strutturale fin da quando l'industria è esistita, e l'industria non l'ha mai realmente risolta.

      I costi sono ben documentati. Sostituire un dipendente può costare fino a 2,5 volte il suo stipendio una volta che si considerano reclutamento, onboarding, produttività persa e la conoscenza istituzionale che esce con loro. La ricerca suggerisce che un aumento di una singola deviazione standard nel tasso di attrito è correlato a una diminuzione dell'8,9% dei profitti. In un'era in cui le aziende tecnologiche stanno contemporaneamente investendo miliardi nell'infrastruttura AI e scrutinando ogni altra voce del loro bilancio, perdere denaro a causa di attrito prevenibile è una posizione più difficile da difendere di quanto non fosse in passato.

      Ciò che è meno compreso è perché il problema persista nonostante l'enorme investimento nel tentativo di risolverlo. Le aziende tecnologiche spendono molto in vantaggi, programmi di coinvolgimento, iniziative culturali e formazione per i manager. Alcuni di essi funzionano ai margini. Nessuno di essi ha piegato la curva in modo significativo.

      Parte del motivo, argomenterei, è che la maggior parte degli sforzi di retention sono reattivi. Qualcuno segnala di essere scontento, o peggio, presenta le dimissioni, e la risposta scatta. A quel punto è solitamente troppo tardi. La domanda che mi ha sempre interessato professionalmente non è come rispondere all'attrito una volta che si verifica. È se puoi vederlo arrivare abbastanza presto da fare qualcosa al riguardo.

      Non c'era alcun dataset per questo, quindi ne ho creato uno

      Il primo problema che ho incontrato è stato il dato. Non manca di dataset pubblici sull'attrito dei dipendenti, ma quasi nessuno di essi specifica il settore. Quello più ampiamente utilizzato è un dataset HR fittizio creato da scienziati dei dati IBM, che è stato riciclato in decine di studi accademici. È pulito, accessibile e non ti dice nulla di specifico sul settore tecnologico.

      Così ho costruito il mio. Ho progettato un sondaggio di 24 domande e l'ho distribuito a livello globale a professionisti del settore tecnologico, con un requisito fondamentale: sia il loro attuale che il precedente datore di lavoro dovevano essere aziende tecnologiche. Dopo aver rimosso i duplicati e le risposte incomplete, avevo 205 record utilizzabili. Non un dataset enorme secondo gli standard del settore, ma pulito, specifico e costruito appositamente per la domanda a cui stavo cercando di rispondere.

      Ho definito "uscita precoce" come lasciare un lavoro entro il primo anno. Ogni rispondente è stato quindi classificato come un'uscita precoce o meno, e quella classificazione è diventata l'obiettivo su cui il modello è stato addestrato a prevedere.

      Da lì, ho addestrato cinque algoritmi di apprendimento automatico sui dati e ho testato ciascuno di essi attraverso più configurazioni. Ho utilizzato un punteggio F1 piuttosto che una semplice accuratezza per misurare le prestazioni, e il motivo è importante. Un modello che prevede se qualcuno è partito entro un anno potrebbe tecnicamente raggiungere un'alta accuratezza semplicemente etichettando tutti come "rimasti più a lungo" poiché questo è l'esito più comune. Un punteggio F1 tiene conto di questo squilibrio e fornisce un'immagine più onesta di quanto bene il modello stia effettivamente funzionando. La configurazione con le migliori prestazioni ha combinato un algoritmo chiamato Extra Trees Classifier con una tecnica chiamata SMOTE, che ha affrontato lo squilibrio nel dataset generando esempi sintetici della classe minoritaria. Quella combinazione ha raggiunto un punteggio F1 di 0,97 su un massimo di 1.

      Il modello ha funzionato. La domanda più interessante era cosa avesse appreso.

      La promozione era il segnale più forte nella stanza

      Di tutte le variabili nel dataset, il numero di volte che qualcuno era stato promosso nel proprio lavoro precedente era il singolo predittore più forte di se fosse partito entro il primo anno. La correlazione era -0,54, il che in termini semplici significa questo: meno promozioni qualcuno aveva ricevuto, più era probabile che fosse un'uscita precoce. Non marginalmente più probabile. Significativamente più probabile.

      Questo ha confermato metà della mia ipotesi originale, e non dovrebbe sorprendere chiunque abbia lavorato nel settore tecnologico. La promozione non è solo un cambiamento di titolo o un aumento di stipendio. Per la maggior parte delle persone, specialmente all'inizio della loro carriera, è il segnale principale che l'azienda li vede e sta investendo nel loro futuro. Quando quel segnale non arriva, le persone iniziano a cercarlo altrove.

      Quasi la metà dei rispondenti al mio sondaggio, il 49%, non era mai stata promossa nel proprio lavoro precedente. Quel numero mi ha colpito. In un settore che si vanta di meritocrazia e velocità, quasi metà del campione non aveva mai ricevuto un riconoscimento formale di progressione. Il modello stava cogliendo qualcosa che si nascondeva in bella vista.

      Accanto alle promozioni, sono emersi tre altri fattori come predittori significativi. Ognuno di essi merita di essere analizzato singolarmente perché la direzionalità non è sempre quella che ci si aspetterebbe.

      Età. I lavoratori più giovani erano significativamente più propensi a essere uscite precoci. La correlazione tra età e partenza precoce era -0,49, il che significa che più anziano era il rispondente, meno era probabile che fosse partito entro il primo anno. Questo ha senso intuitivamente se lo si considera da una prospettiva di psicologia della carriera. I dipendenti all'inizio della carriera hanno meno costi sommersi, affrontano un reclutamento più aggressivo da parte dei concorrenti e tendono ad avere aspettative più elevate di progressione rapida. Quando quelle aspettative non vengono soddisfatte rapidamente, si muovono. Per i leader HR, questo significa che i nuovi assunti e i laureati meritano un'attenzione sproporzionata nei primi dodici mesi. La visibilità dei percorsi di carriera e i segnali di promozione precoce non sono un'opzione per questo gruppo. Sono infrastrutture di retention.

      Cambiamenti di ruolo interni. Questo contraddice un'assunzione comune. I dipendenti che avevano sperimentato più cambiamenti di ruolo all'interno della loro azienda precedente erano in realtà meno propensi a essere uscite precoci, con una correlazione di -0,49.