Почему ранняя текучесть кадров в технологиях больше связана с карьерным движением, чем с культурой

      TL;DRA Исследование People Analytics, анализирующее 205 специалистов в области технологий, показало, что ранняя текучесть кадров обусловлена скорее остановкой карьерного роста, чем культурой на рабочем месте. Повышения, внутренние перемещения и видимые возможности для роста были сильнейшими предикторами удержания, в то время как социальные взаимодействия в команде имели незначительное измеримое влияние.

      Я начал это исследование, будучи уверенным, что уже знаю ответ.

      После более чем десятилетия работы в People Analytics, последние несколько лет в Meta, у меня была рабочая теория о том, почему сотрудники в сфере технологий покидают свои рабочие места в течение первого года. Я считал, что два фактора наносят наибольший ущерб: получают ли сотрудники повышения и как часто они общаются с непосредственной командой вне работы. Первое казалось очевидным. Второе казалось тем человеческим фактором, который отрасль постоянно недооценивает.

      Я был наполовину прав.

      Когда я опросил 205 специалистов в области технологий по всему миру и обучил модель машинного обучения для предсказания ранней текучести, повышения оказались единственным самым сильным сигналом в наборе данных. Но социальные взаимодействия? Они едва ли зарегистрировались. А факторы, которые имели значение наряду с повышениями, указывали на что-то, что я не полностью предвидел. Ранняя текучесть в сфере технологий не является в первую очередь проблемой культуры. Это проблема карьерного роста.

      Это открытие изменило мое представление о удержании. Я подозреваю, что оно может сделать то же самое и для вас.

      Технологии всегда имели проблему текучести

      Технологическая отрасль имеет один из самых высоких уровней текучести среди всех секторов. Средний срок службы во многих технологических компаниях составляет около одного года, независимо от размера компании. Это не постпандемийное похмелье или аномалия горячего рынка труда. Это была структурная основа с тех пор, как существует отрасль, и она никогда по-настоящему не решалась.

      Затраты хорошо задокументированы. Замена сотрудника может стоить до 2,5 раз его зарплаты, если учесть набор, ввод в должность, потерю производительности и институциональные знания, которые уходят вместе с ним. Исследования показывают, что увеличение уровня текучести на одну стандартную девиацию коррелирует с падением прибыли на 8,9%. В эпоху, когда технологические компании одновременно вкладывают миллиарды в ИИ-инфраструктуру и тщательно scrutinize каждую другую статью своих затрат, потеря денег на предотвратимой текучести становится более сложной позицией для защиты, чем когда-либо.

      Менее понятно, почему проблема сохраняется, несмотря на огромные инвестиции в ее решение. Технологические компании сильно тратят на льготы, программы вовлеченности, культурные инициативы и обучение менеджеров. Некоторые из них работают на границах. Ничто из этого не изменило ситуацию в значительной степени.

      Частично причина, как я бы утверждал, заключается в том, что большинство усилий по удержанию являются реактивными. Кто-то сигнализирует, что ему не нравится, или, что еще хуже, подает заявление об увольнении, и реакция начинается. К тому времени обычно уже слишком поздно. Вопрос, который всегда интересовал меня профессионально, не в том, как реагировать на текучесть, когда она уже происходит. Это вопрос о том, можете ли вы увидеть это достаточно рано, чтобы что-то с этим сделать.

      Данных для этого не существовало, поэтому я создал свои

      Первая проблема, с которой я столкнулся, была связана с данными. Общественных наборов данных о текучести сотрудников не хватает, но почти ни один из них не указывает на отрасль. Наиболее широко используемый — это вымышленный набор данных HR, созданный учеными данных IBM, который был переработан в десятках академических исследований. Он чистый, доступный и не дает ничего конкретного о технологическом секторе.

      Поэтому я создал свой собственный. Я разработал опросник из 24 вопросов и распространил его по всему миру среди специалистов в области технологий с одним жестким требованием: как текущие, так и предыдущие работодатели должны быть технологическими компаниями. После удаления дубликатов и неполных ответов у меня осталось 205 пригодных записей. Это не огромный набор данных по отраслевым стандартам, но он чистый, специфичный и созданный для вопроса, на который я пытался ответить.

      Я определил «раннюю текучесть» как уход с работы в течение первого года. Каждый респондент затем классифицировался как ранняя текучесть или нет, и эта классификация стала целью, на которую модель была обучена предсказывать.

      Оттуда я обучил пять алгоритмов машинного обучения на данных и протестировал каждый из них в нескольких конфигурациях. Я использовал F1-оценку, а не простую точность для измерения производительности, и причина имеет значение. Модель, предсказывающая, ушел ли кто-то в течение года, технически могла бы достичь высокой точности, просто обозначив всех как «остались дольше», поскольку это более распространенный результат. F1-оценка учитывает этот дисбаланс и дает более честную картину того, насколько хорошо модель на самом деле работает. Лучшая работающая настройка сочетала алгоритм под названием Extra Trees Classifier с техникой под названием SMOTE, которая устраняла дисбаланс в наборе данных, создавая синтетические примеры меньшинства. Это сочетание достигло F1-оценки 0,97 из возможного 1.

      Модель сработала. Более интересный вопрос заключался в том, что она узнала.

      Повышение было самым громким сигналом в комнате

      Из всех переменных в наборе данных количество раз, когда кто-то получал повышение на своей предыдущей работе, было единственным самым сильным предиктором того, ушел ли он в течение первого года. Корреляция составила -0,54, что в простых терминах означает следующее: чем меньше повышений получил кто-то, тем более вероятно, что он станет ранней текучестью. Не немного более вероятно. Значительно более вероятно.

      Это подтвердило половину моей первоначальной гипотезы, и это не должно удивлять никого, кто работал в сфере технологий. Повышение — это не просто изменение должности или увеличение зарплаты. Для большинства людей, особенно на ранних этапах их карьеры, это основной сигнал о том, что компания видит их и инвестирует в их будущее. Когда этот сигнал не приходит, люди начинают искать его в другом месте.

      Почти половина респондентов в моем опросе, 49%, никогда не получали повышения на своей предыдущей работе. Эта цифра оставила у меня впечатление. В отрасли, которая гордится своей меритократией и быстрой динамикой, почти половина выборки никогда не получала ни одного официального признания прогресса. Модель улавливала что-то, что пряталось на виду.

      Помимо повышений, три других фактора emerged как значимые предикторы. Каждый из них стоит разобрать отдельно, потому что направление не всегда соответствует вашим ожиданиям.

      Возраст. Молодые работники значительно чаще становились ранними текучками. Корреляция между возрастом и ранним уходом составила -0,49, что означает, что чем старше респондент, тем менее вероятно, что он ушел в течение первого года. Это имеет интуитивный смысл, если рассматривать это с точки зрения карьерной психологии. Сотрудники на ранних этапах карьеры несут меньшие затраты, сталкиваются с более агрессивным набором со стороны конкурентов и, как правило, имеют более высокие ожидания быстрого продвижения. Когда эти ожидания не выполняются быстро, они уходят. Для HR-руководителей это означает, что сотрудники на ранних этапах карьеры и новые выпускники заслуживают непропорционального внимания в первые двенадцать месяцев. Видимые карьерные пути и ранние сигналы повышения не являются чем-то желательным для этой группы. Это инфраструктура удержания.

      Внутренние изменения ролей. Этот фактор противоречит общему предположению. Сотрудники, которые испытали больше изменений ролей в своей предыдущей компании, на самом деле были менее вероятными ранними текучками, с корреляцией -0,49. Инстинкт часто заключается в том, чтобы рассматривать внутреннюю мобильность как признак беспокойства. Данные предполагают обратное. Движение внутри компании, похоже, является маркером вовлеченности и инвестиций, а не нестабильности. Люди, которых перемещают, которые меняют команды или функции, — это люди, которым были даны причины оставаться вовлеченными. Ротационные