TREND

Great Resignation: le potenzialità dei modelli di predictive turnover per comprendere i trend e definire azioni di retention

Se ancora non ce ne fossimo accorti, anche i dati lo confermano: il fenomeno delle grandi dimissioni è arrivato in Italia, ed è una polveriera che rischia di far esplodere il turnover e di minare clima, efficacia e motivazione delle persone nelle organizzazioni. Dati e HR Analytics possono costituire un fattore differenziante nella comprensione del fenomeno e nella circoscrizione del suo impatto

28 Apr 2022

Chiara Calafiore

People & Innovation Manager, P4I - Partners4Innovation

Paolo Facoetti

Senior Data Scientist, P4I - Partners4Innovation

Il 40% dei lavoratori a livello mondiale è intenzionato a cambiare lavoro nei prossimi 4-6 mesi, il 53% dei datori di lavoro ha affermato di aver registrato un turnover volontario maggiore rispetto agli anni precedenti e il 64% si aspetta che il problema continui, o addirittura peggiori, nei prossimi sei mesi. Questi sono solo alcuni dei numeri, forniti da uno studio di McKinsey, sulla cosiddetta “Great Resignation”, il fenomeno globale che sta trasformando il mercato del lavoro e, di conseguenza, ponendo una serie di sfide alle aziende ed ai professionisti HR di tutto il mondo. È in questo contesto che gli HR Analytics possono diventare uno strumento di predictive turnover.

Sebbene originatasi negli Stati Uniti, la tendenza non risparmia di certo il nostro Paese. Secondo un’analisi dell’Associazione Italiana Direzione Personale (AIDP), le dimissioni volontarie in Italia toccano il 60% delle aziende, e a scegliere di cambiare lavoro sono soprattutto le persone nella fascia d’età compresa fra i 26 e i 35 anni, che costituiscono il 70% del campione analizzato. Esaminando i dati del Ministero del Lavoro e delle Politiche Sociali sulle cessazioni dei rapporti di lavoro nel quarto trimestre del 2021, si nota una crescita del 18,7% rispetto allo stesso trimestre del 2020, per un totale di 3 milioni e 497 mila cessazioni.

Ma c’è un dato ancora più significativo: sempre McKinsey rivela infatti che il 36% di chi si è dimesso non aveva ancora in mano una nuova offerta di lavoro, il che è chiaro sintomo di come le cause sottostanti il fenomeno siano da ricercare ben oltre gli aspetti economici. Sulla spinta della disruption innescata dalla pandemia, stiamo infatti assistendo ad un cambiamento radicale nel modo di vivere la vita professionale, in cui la tradizionale visione del lavoro come status symbol e fonte di stabilità è messa in discussione in favore di fattori come flessibilità, dinamismo, orientamento al risultato, work-life balance e soddisfazione personale.

Great Resignation: Direzione HR e dei dati come strumenti di predictive turnover 

La Great Resignation non è quindi altro che la conseguenza di nuove priorità ed esigenze delle persone, che ha irrevocabilmente cambiato ciò che queste si aspettano dal lavoro. In questo scenario così dinamico e articolato le organizzazioni si trovano a dover affrontare una sfida tanto cruciale quanto complessa: evolvere la propria cultura, i modelli di leadership, le modalità e gli strumenti di lavoro per creare un ambiente in grado di soddisfare questo nuovo set di aspettative.

INFOGRAFICA
Manufacturing 5.0: ecco i vantaggi della monetizzazione dei dati!
Big Data
IoT

Ovviamente, in questo processo di trasformazione la Direzione HR gioca un ruolo fondamentale. Essa è infatti abilitatore e catalizzatore del cambiamento: cogliendo le sfide e le opportunità del contesto attuale è chiamata a ridisegnare la People Strategy, coerentemente con i valori aziendali e gli obiettivi organizzativi, definendo il proprio purpose e adeguando processi, approcci e strumenti alla luce delle nuove prospettive ed esigenze emergenti. Come può farlo in modo efficace? Conoscendo in profondità le proprie persone, comprendendo le loro specifiche caratteristiche e necessità, analizzando le dinamiche che caratterizzano i loro comportamenti e, dove possibile, cercando di anticiparli.

Come si può facilmente immaginare, i dati possono costituire un importante asset per la realizzazione di questo arduo compito. Sebbene la Direzione HR sia ancora tra i fanalini di coda nelle classifiche delle funzioni aziendali maggiormente data-driven, in un numero sempre maggiore di organizzazioni si inizia ad assistere ad una prima timida diffusione dei cosiddetti HR Analytics, soluzioni data-driven – di natura descrittiva o predittiva – utilizzate a supporto del processo di decision making, ossia per prendere decisioni e compiere azioni sulla base di risultati oggettivamente fondati. Tra le applicazioni più interessanti degli HR Analytics c’è senza dubbio lo sviluppo di modelli di previsione del turnover, che assumono una rilevanza particolarmente significativa in un momento storico come quello attuale.

Modelli di previsione del turnover: cosa sono e quali informazioni permettono di ricavare

I modelli di previsione del turnover non sono altro che algoritmi che, a partire dall’analisi di diverse tipologie di dati storici – presentate più in dettaglio di seguito -, sono in grado di comprendere quali sono i pattern e le caratteristiche tipicamente associate alla cessazione del rapporto di lavoro, e pertanto consentono non solo di stimare la probabilità di abbandono di ciascun dipendente, ma anche di rivelare insight sui fattori che più influenzano tale probabilità, andando a misurarne il peso relativo sulla probabilità stimata. Persone con la medesima probabilità di abbandono possono infatti avere motivazioni sottostanti completamente differenti: per una il fattore determinante potrebbe essere la bassa remunerazione, per un’altra la poca formazione ricevuta e per un’altra ancora l’eccessiva distanza casa-lavoro.

Tali analisi possono essere aggregate a livello di intera popolazione o per gruppi omogenei, in modo da ottenere una vista dei fattori che maggiormente impattano il fenomeno del turnover in termini complessivi.

Grazie alla loro simultanea natura predittiva ed esplicativa, i modelli di advanced analytics sul turnover costituiscono uno strumento utilissimo di supporto per HR, da utilizzare non solo per prevedere le future uscite e ragionare proattivamente su eventuali azioni di retention a livello individuale, ma anche per disegnare interventi e politiche di più ampio respiro, sia per l’intera popolazione aziendale che per specifiche categorie.

Great Resignation e modelli di predictive turnover: i dati di input

Per quanto riguarda i dati di input del modello, tipicamente vengono utilizzate variabili calcolate a partire dalle seguenti macrocategorie di dati:

  • Dati amministrativi/organizzativi, da cui si possono ricavare informazioni quali ruolo, mansione, unità organizzativa di appartenenza, anzianità di servizio, distanza casa-lavoro, oltre alle classiche variabili anagrafiche come sesso, età e titolo di studio;
  • Dati relativi alle performance, generati dai periodici processi di performance review;
  • Dati relativi alla formazione, che possono essere utilizzati per calcolare variabili quali numero di corsi fruiti, numero di ore di formazione fruite, tempo trascorso dall’ultimo corso di formazione e percentuale di presenze/assenze ai corsi;
  • Dati relativi alle timbrature, da cui si possono ricavare informazioni su straordinari effettuati e ammontare delle assenze, divise tra ferie e malattia, nonché altre variabili interessanti come il numero di cambi di sede di lavoro;
  • Dati relativi ai provvedimenti disciplinari, che possono essere utilizzati per calcolare variabili quali il numero di provvedimenti, il loro tipo e la loro motivazione, ed il tempo trascorso dall’ultimo provvedimento ricevuto.

I dati appena descritti non devono essere intesi come un set di requisiti rigido ed immutabile per lo sviluppo del modello, quanto piuttosto come un punto di partenza, modificabile ed estendibile in funzione della disponibilità di dati e delle specificità dell’organizzazione. E non devono nemmeno essere tutti disponibili al tempo zero: proprio come i fenomeni che sono chiamati a prevedere, i modelli predittivi sono infatti delle soluzioni dinamiche, che devono essere continuamente monitorate ed affinate per essere in grado di cogliere i mutamenti che regolano il fenomeno stesso. Ciò significa che dati che non erano disponibili al tempo zero, ad esempio a causa del fatto che uno specifico processo non era digitalizzato, possono essere inclusi in momenti successivi, in una logica di iteratività e miglioramento continuo. Tipico esempio di questa tipologia di dati sono i cosiddetti dati esterni, ossia quei dati che sono generati al di fuori dell’organizzazione, come i dati sui competitor o dati di natura socio-economica quali tassi di occupazione e reddito pro-capite per zona geografica, che sono in grado di cogliere fattori che influenzano il turnover che vanno oltre il perimetro aziendale.

Great Resignation e modelli di predictive turnover: la modalità di fruizione

Ovviamente, anche il modello predittivo più sofisticato e preciso che esista diventa assolutamente inutile se non è facilmente fruibile da chi è chiamato ad utilizzarlo. In questo senso, è quindi assolutamente fondamentale mettere a punto strumenti e modalità di fruizione che siano facili da utilizzare e soprattutto immediatamente comprensibili da parte di utenti non tecnici come i professionisti HR. Tipicamente, tali modelli vengono quindi resi disponibili agli utenti attraverso delle dashboard, ovvero grafici, indicatori e visualizzazioni che supportano in maniera semplice ed immediata l’HR nell’analisi, consentendo di navigare i risultati del modello in modo interattivo e quindi di concentrarsi sulle fattispecie di maggiore interesse, sia a livello di singolo dipendente che di intera popolazione o di gruppi omogenei.

Modelli di predictive turnover: le tipiche fasi progettuali

Come anticipato sopra, i modelli predittivi sono dei tool dinamici, che devono essere soggetti ad una continua opera di monitoraggio ed evoluzione. Proprio per questo motivo, essi sono tipicamente sviluppati seguendo un approccio iterativo ed incrementale, che consente di generare valore in tempi brevi e per cicli di affinamento successivi. Ricalcando la metodologia CRISP-DM (Cross Industry Standard Process for Data Mining), le tipiche fasi dello sviluppo di un modello di previsione del turnover sono rappresentate da:

  • Data Hunting & Discovery: fase dedicata all’individuazione delle fonti dati disponibili sul tema e definizione di altri dati potenzialmente utili all’analisi del turnover;
  • Data Exploration: step dedicato all’analisi dei dati disponibili, definiti nella fase precedente, tramite l’utilizzo di strumenti di visual analytics al fine di comprendere la composizione della base dati e le caratteristiche specifiche su cui strutturare il modello;
  • Data Preparation: fase dedicata ad attività di integrazione, pulizia ed arricchimento della base dati, al fine di renderla adatta all’allenamento del modello;
  • Model Creation: step dedicato alla definizione ed alla creazione di diverse categorie di modelli predittivi, attraverso gli strumenti software più adeguati;
  • Model Testing & Selection: fase dedicata al test ed alla valutazione della precisione dei diversi modelli creati nella fase precedente, al fine di scegliere il modello più adatto per la successiva applicazione;
  • Continuous Improvement & Next Steps: monitoraggio dei risultati del modello al fine di identificare eventuali aree di miglioramento ed i relativi next step per l’evoluzione del modello stesso.

Si noti che un approccio di questo tipo non solo consente di contenere l’effort complessivo, ma anche di generare valore tangibile nelle fasi iniziali di sviluppo del modello, prima della sua messa in produzione: si pensi ad esempio alle fasi di Data Exploration e Preparation, da cui possono essere ricavati output di valore come una fotografia del patrimonio informativo a disposizione della Direzione HR, con le relative lacune in termini di data quality, e soprattutto una vista completa del dipendente, grazie all’integrazione di dati provenienti da diversi sistemi informatici, purtroppo spesso operanti come veri e propri silos informativi.

HR Analytics: i benefici

Non c’è dubbio che il fenomeno della Great Resignation ponga delle sfide molto complesse per le organizzazioni e la Direzione HR. In un contesto così articolato e dinamico come quello che stiamo vivendo ora e che ci troveremo ad affrontare negli anni a venire, è però altrettanto vero che i dati e l’utilizzo di soluzioni data-driven possano costituire un fattore differenziante, per diversi motivi:

  • innanzitutto, consentono di ottenere insight altrimenti difficilmente ottenibili;
  • in secondo luogo, permettono di basare le decisioni su informazioni oggettive, fornendo evidenze quantitative affidabili per la messa a punto di soluzioni sia tattiche che strategiche;
  • infine, consentendo di prevedere i fenomeni ed individuarne le root cause, permettono il passaggio da un approccio reattivo ad un approccio proattivo, rendendo di fatto la Direzione HR un vero abilitatore del cambiamento dell’organizzazione.

In estrema sintesi, i modelli predittivi per la stima della probabilità di abbandono del dipendente consentono di porre attenzione a particolari accadimenti per singolo individuo e definire azioni di retention specifiche, ma anche di analizzare il fenomeno a livello di intera organizzazione: con tecniche di data mining è possibile individuarne i fattori determinanti e di conseguenza agire in modo preventivo studiando programmi corporate di compensation & benefit.

Ma è possibile fare molto altro con gli HR Analytics: nell’ambito delle azioni di retention per arginare le grandi dimissioni, modelli di previsione delle performance potenziali e crescite individuali all’interno dei vari team di lavoro consentono di valutare la reale necessità di tali azioni su uno specifico potenziale dimissionario rispetto al favorire una crescita accelerata dei colleghi del team su cui si stima un’alta probabilità di permanenza all’interno dell’organizzazione. Le applicazioni di HR Analytics possono essere le più disperate. Sulla spinta della Great Resignation la Direzione HR dovrebbe cogliere l’opportunità di lavorare in modo strutturato con i dati e avviare una trasformazione interna per introdurre un approccio data driven a supporto dell’organizzazione.

@RIPRODUZIONE RISERVATA
Chiara Calafiore
People & Innovation Manager, P4I - Partners4Innovation

Professionista nell’ambito “People & Innovation” con esperienza pregressa in contesto aziendale nella funzione Risorse Umane. È attualmente Manager in P4I, si occupa di accompagnare e supportare le organizzazioni nella trasformazione dei processi HR - per migliorare l’Employee Journey - e nell’indirizzo di progettualità di ridisegno organizzativo e di people development, anche rispetto a trend del mercato del lavoro come lo Smart Working.

Paolo Facoetti
Senior Data Scientist, P4I - Partners4Innovation

Professionista con esperienza in progetti nell’ambito Data Driven Innovation, con particolare focus su Machine Learning, iniziative di HR Analytics e sulla definizione di soluzioni e modelli per l’evoluzione verso il paradigma della data driven organization

Articolo 1 di 4