Текст книги "HR-аналитика. Путеводитель по анализу персонала"

Обзор технических инструментов для HR-анализа

В предыдущем разделе мы рассмотрели модель компетенций HR-аналитика, из которой следует, что одной из ключевых компетенций, упомянутой более чем в 90 % всех вакансий, является владение конкретными техническими инструментами. И это справедливо, так как работа специалиста по работе с данными персонала во многом зависит от использования тех или иных программ. Этот раздел будет посвящен обобщению информации об этих инструментах и попытке их систематизации. Кроме того, мы посмотрим, как они применяются для решения типовых задач HR-аналитики и с освоения каких из них стоит начать в первую очередь.

Однако, прежде чем приступить к следующему разделу, стоит сделать две важные ремарки.

Ремарка первая. Упоминаемые здесь инструменты – не лучшие и не худшие представители своего рода, а всего лишь наиболее распространенные решения и представлены здесь исключительно в качестве примера. Выбор конкретного инструмента всегда должен опираться на задачи бизнеса и его возможности. (Иными словами, «здесь могла бы быть ваша реклама».)

Ремарка вторая. В настоящий момент не существует единой классификации инструментов, использующихся в HR-аналитике, и многие технические решения, описанные ниже, можно отнести сразу к двум, а то и к трем категориям. Так, без преувеличения «хедлайнер» – Excel – можно отнести и к инструментам обработки и очистки данных, и к инструментам их анализа, и, конечно, к средствам визуализации. Предложенная классификация, несмотря на всю свою условность, тем не менее отражает основные задачи, для которых преимущественно используется тот или иной инструмент, а также позволяет определить набор минимально необходимых технических средств.

Наша классификация технических инструментов будет следующей:

• системы управления персоналом;

• инструменты обработки и очистки данных;

• инструменты управления базами данных;

• инструменты анализа данных;

• инструменты визуализации данных;

• платформы для проведения и обработки опросов;

• нейросети и лингвистические модели.

Системы управления персоналом

Системы управления персоналом, или HRMS, – это платформы, которые автоматизируют процессы управления человеческими ресурсами, включая учет и анализ данных о сотрудниках. Они позволяют вести электронные кадровые реестры, хранить информацию о сотрудниках: их профессиональных навыках, пройденном обучении, результативности и еще десятках факторов, необходимых для организации работы и подготовки отчетности для контролирующих органов. Главная ценность подобных систем – в создании единого информационного пространства, где хранится вся информация о сотрудниках и истории их пребывания в компании.

Выбор подобной системы – отдельная задача, зависящая от размера организации, требующая понимания конкретных потребностей бизнеса, бюджета, доступности самого решения в том или ином регионе и многого другого.

Среди иностранных систем в первую очередь хотелось бы выделить: SAP HCM, Oracle HCM Cloud, BambooHR. Данные решения, особенно первые два, чаще всего встречаются в международных компаниях. Среди аналогичных российских систем можно выделить продукты от «1C» и Directum. Они ближе всего к специфике работы в России и более ориентированы на потребности отечественных компаний и специалистов, а кроме того, их интерфейс поддерживает русский язык (чего не скажешь обо всех иностранных HRMS), они проще встраиваются в типовые ERP-системы и их гораздо легче модифицировать.

Для HR-аналитика HRMS – это в первую очередь источник сведений о сотрудниках и их истории в компании. Здесь он может найти данные о возрасте, стаже, отпусках и много другой необходимой для работы информации.

Подкатегорией систем управления персоналом, которую тоже можно сюда отнести, будут системы управления HR-функциями. Это программные решения, позволяющие управлять отдельными направлениями в работе. Например, ATS (Applicant Tracking System), RMS (Recruitment Management System) для функции подбора или LMS (Learning Management System) для функции обучения и развития.

Инструменты обработки и очистки данных

К этой категории относятся инструменты, помогающие проводить первичную обработку и очистку данных. Компании собирают информацию из множества разных источников: HRMS-систем, опросов сотрудников, исследований рынка труда и пр. Из-за этого информация получается разнородной, часто содержит сбитые кодировки, дубли, неверные форматы и другие ошибки, затрудняющие анализ или даже делающие его невозможным. Чтобы устранять подобные ошибки, и нужна функция очистки данных (data cleaning). Задача таких инструментов – исправлять ошибки и приводить данные в конгруэнтное (то есть в согласованное, когда они не противоречат друг другу) состояние.

Очистка и верификация – отдельное и сложное направление в рамках HR-анализа. В идеальном мире ею должен заниматься специально обученный человек; однако, учитывая, что мы едва ли окажемся в таком мире, HR-аналитик на практике довольно часто сталкивается с необходимостью самостоятельной очистки данных.

Для этого подходят: OpenRefine, Talend Data Preparation, Trifacta. Сюда же можно отнести и MS Query (надстройку для Excel), хотя обработкой и очисткой данных возможности этой программы, конечно, не ограничиваются.

Так, OpenRefine представляет собой приложение с открытым исходным кодом для очистки данных и манипуляций с ними. Программа может переводить информацию в нужный формат, делать базовые расчеты, фильтровать, объединять массивы, находить дубли, ошибки кодировок, приводить записи к единому формату и многое другое.

Инструменты управления базами данных

Базы данных являются основным источником информации для работы HR-аналитика. Они представляют собой упорядоченный набор структурированной информации, которая хранится в электронном виде и позволяет проводить с ней разные манипуляции. Основной тип БД, с которым приходится работать HR-аналитику, – реляционные базы данных. Основное средство работы с ними – SQL, язык программирования, предназначенный для хранения и обработки информации в реляционных базах данных и использующийся главным образом как основной язык при обращении к БД.

Существует популярное мнение, будто HR-аналитик должен в обязательном порядке владеть SQL, но на практике это не совсем так. Опираясь на данные рассмотренных нами исследований, посвященных востребованности технических инструментов, можно сказать, что SQL занимает лишь четвертое-пятое место среди требуемых навыков и в среднем упоминается только в 20–25 % всех публикуемых вакансий на должность HR-аналитика, а реально используется и того реже. Причина проста: SQL как инструмент управления данными в реляционных БД необходим только в тех случаях, когда мы говорим о тысячах сотрудников в разных структурных подразделениях, с разными условиями труда, вознаграждения и прочим. Только в этих случаях Excel, как альтернатива реляционным БД, перестает справляться с объемами информации и начинает замедлять работу или просто не «вытягивает». Что же касается абсолютного большинства компаний, то объемы менее сотен тысяч строк вполне успешно обрабатываются средствами Excel и MS Query.

Освоить SQL несложно – для минимальной базы вполне достаточно одного-двух месяцев самостоятельного обучения и практики. Количество материалов, посвященных этому языку, огромно, и найти их не представляет никакой сложности.

Инструменты анализа данных

Это системы и платформы, которые позволяют HR-аналитику заниматься своей основной работой: анализировать данные, формулировать и проверять гипотезы. Здесь мы подробнее остановимся на четырех инструментах, пригодных для HR-анализа.

MS Excel

Когда мы начинаем разговор об инструментах для анализа, на ум прежде всего приходит «его величество» Excel. Это один из самых популярных инструментов для обработки и анализа информации. Он предлагает почти безграничный спектр функций для очистки данных, их преобразования, анализа и визуализации. А с надстройкой MS Query и встроенным в Excel языком программирования VBA этот функционал становится еще шире. Впрочем, стоит отметить, что от использования VBA в последние годы многие стремительно отходят. Так, в среде аналитиков данных он уже считается анахронизмом.

Несмотря на некое снисходительное отношение к Excel, которое периодически можно заметить, он остается самым популярным инструментом для анализа как в России, так и в мире, что, в частности, подтверждают результаты исследований, приведенные нами выше.

К неоспоримым преимуществам этого приложения можно отнести его распространенность и доступность, легкость освоения (во всяком случае, до уровня продвинутого пользователя) и, конечно, широкий (почти безграничный на самом деле) функционал.

Google Sheets

Еще один инструмент, о котором стоит упомянуть, говоря об Excel, – Google Sheets (GS). Это облачное решение на базе экосистемы Google, обладающее практически идентичным с Excel функционалом и интерфейсом, что позволяет достаточно быстро переключаться между ними, даже если ранее пользователь не работал с Google Sheets.

Основные преимущества GS перед Excel – бесплатность, возможность поддерживать одновременную работу большого числа пользователей и легкая масштабируемость. Недостатки: необходимость постоянного подключения к сети интернет для работы, вопросы к обеспечению сохранности данных, ну а главный недостаток – наличие Excel.

SPSS

Другой инструмент, о котором хотелось бы здесь упомянуть, – SPSS (Statistical Package for the Social Sciences). Это продукт, разработанный для облегчения сложного статистического анализа данных и предоставляющий широкие возможности для их визуализации. По своей сути он во многом дублирует функционал Excel, но предлагает гораздо больше возможностей в области статистики и статистического анализа.

Главное достоинство SPSS – его многофункциональность. Например, с помощью SPSS можно проводить факторный, дисперсионный, кластерный, корреляционный анализ, определять индикацию трендов и динамику развития процессов. К главным же недостаткам этого инструмента можно отнести его стоимость (значительно выше, чем у пакета MS Office / Office 365) и бо́льшую требовательность к пользователю с точки зрения понимания статистики и матанализа. При этом стоит сказать, что SPSS – не самое распространенное в бизнес-среде решение, и чаще его можно встретить в академической и исследовательской сферах.

Особняком в этом разделе стоят языки программирования. В HR-аналитике главным образом нашли применение два их них: Python и R.

Python

Один из самых популярных и доступных языков программирования в настоящий момент. Его можно использовать для очистки и обработки данных, машинного обучения, работы с нейросетями, построения различных моделей и множества других задач. Словом, это полнофункциональный язык программирования с практически безграничными возможностями.

R

R – язык программирования для статистической обработки данных и работы с графикой. Придуманный сотрудниками Оклендского университета, он нашел широкое применение в академической среде, но отлично подходит и для обработки бизнес-информации. Обладает схожим функционалом, но менее распространен, чем Python.

Мы сознательно не будем заострять внимание на этих инструментах, так как данные темы слишком объемны и не совсем укладываются в концепцию «базового инструментария для работы». Скажем лишь, что оба языка вполне доступны для самостоятельного изучения, а количество материалов о них в открытом доступе стремится к бесконечности. За два-три месяца можно разобраться с логикой и синтаксисом, а за полгода – освоить ряд типовых задач в области обработки и визуализации данных, чего уже будет достаточно для базового прикладного использования. На глубокое освоение того же Python и его библиотек, конечно, уйдут годы, но это уже, скорее, прерогатива разработчиков и специалистов по data science.

Инструменты визуализации данных

Такие инструменты используются для подготовки отчетов, дашбордов и презентаций, то есть для визуальной интерпретации выводов и срезов, которые готовит HR-аналитик.

Самые распространенные из них – MS PowerPoint и Keynote от Apple. В целом оба инструмента схожи по своим функциям и достаточно успешно используются для подготовки отчетов, презентаций и справочных материалов. Они легки в освоении (во всяком случае, на уровне базового пользователя), и по ним также имеется масса материалов в открытых источниках. Безусловно, дьявол кроется в деталях, и подготовка качественной презентации имеет массу нюансов, однако в целом это несложные инструменты, которые понадобятся HR-аналитику с самого начала его профессионального пути.

Чуть сложнее дело обстоит с BI-системами.

BI-системы (Business Intelligence) – системы бизнес-анализа и отчетности, технические платформы, которые позволяют собирать данные из разных источников, обрабатывать их и отображать в виде динамических визуальных элементов (таблиц, схем, графиков, срезов и пр.) для иллюстрирования отчетов или дашбордов. Как видно из описания, функционал BI-инструментов не ограничивается исключительно визуализацией, а спектр их применения весьма широк, однако один из основных способов использования BI-систем у нас – это визуализация данных средствами дашбордов.

Самыми распространенными BI-системами в мире являются Tableau и Power BI. Основные их различия кроются в технических нюансах логики связей данных и стоимости лицензии. Правда, здесь стоит отметить: Power BI, в отличие от Tableau, предлагает бесплатный доступ с ограниченным функционалом, что прекрасно подходит для его «домашнего» освоения. Но в целом обе системы обладают идентичными возможностями и одинаково распространены.

В России существуют свои BI-инструменты: Yandex DataLens, Visiology и другие. Поскольку разрабатывались они с оглядкой на «старших товарищей», можно сказать, что отечественные системы не сильно уступают в функционале и возможностях; и, пожалуй, главное, чего им сейчас не хватает, – это лоск. С другой стороны, они активно развиваются, и, с учетом отсутствия альтернатив в корпоративной среде на данный момент, можно говорить о том, что со временем эти платформы станут доминирующими в России.

Освоить рассмотренные системы не особо сложно. Как для иностранных, так и для российских BI-платформ существует огромное множество инструкций, уроков и курсов, а базовое освоение продукта укладывается в два-три месяца.

Полезность BI-платформ трудно переоценить. Это мощные и функциональные инструменты, которые прекрасно дополняют Excel и, составляя основу технического инструментария HR-аналитика, позволяют добиваться качественно более высокого уровня визуализации данных.

Платформы для проведения и обработки опросов

Достаточно часто HR-аналитику приходится заниматься не только анализом данных и поиском оптимальных решений для бизнес-задач, но и сбором данных. Существует несколько способов получить необходимую информацию, и самые популярные из них – проведение опросов или анкетирование.

Чаще всего опросы проводятся среди сотрудников компании для оценки уровня их вовлеченности, лояльности, удовлетворенности и прочих факторов, но в некоторых случаях необходимо организовывать и внешние исследования.

Для проведения таких исследований существует целый ряд технических инструментов, которые позволяют подготовить структуру опроса, сформулировать вопросы, а также предоставляют платформы для агрегирования и первичного анализа результатов. Самые доступные и распространенные инструменты – SurveyMonkey и Google Forms; что касается российских платформ, то в качестве примера можно привести конструктор kakdela от hh.ru или «Яндекс. Взгляд» от «Яндекса».

Все эти сервисы обладают схожими возможностями и различаются главным образом интерфейсом, ценой и чуть отличным функционалом. Их легко освоить и использовать, а сложности в работе с ними может вызвать исключительно методология составления и проведения самих опросов и исследований.

Нейросети и лингвистические модели

По данным портала indeed.com, количество вакансий, где указан опыт работы с нейронными сетями, кратно росло на протяжении 2022 и 2023 годов – и в начале 2024 года составило в США более полутора тысяч вакансий за календарный месяц. Не обошла эта тенденция и HR-аналитику.

Нейросети – самообучающиеся математические модели или алгоритмы, созданные для решения конкретных задач: поиска информации, генерации картинок, видео, синтезирования речи и многого другого. По своей сути нейросети (их еще называют лингвистические модели) устроены наподобие человеческого мозга – и так же, как и мозг, каждый раз сталкиваясь с чем-то новым, изучают это, осваивают и начинают применять в своей работе (ну ладно, на самом деле не как мозг человека, нам до такого далеко). Именно поэтому мы и говорим о способности нейросетей к самообучению и развитию.

Существует довольно много разных лингвистических моделей, но здесь мы упомянем, пожалуй, наиболее совершенную из них на текущий момент.

ChatGPT – нейронная сеть, разработанная компанией OpenAI. Набрав невероятную популярность в начале 2023 года, ChatGPT довольно активно используется для решения различных бизнес-задач, в том числе и в области управления персоналом.

Так, существуют вполне успешные кейсы применения ChatGPT в подборе и адаптации персонала. Нейронная сеть успешно справляется с разработкой описания вакансий, должностных инструкций, моделей компетенций для оценки, вопросов для интервьюирования и прочего.

Еще одной сферой, где активно применяется ChatGPT, стали внутренние коммуникации. Это прекрасный инструмент для составления корпоративных пресс-релизов, новостей, рассылок, текстов поздравлений и прочих внутриком-активностей.

Кроме того, ChatGPT помогает составлять опросники, тесты на профессиональные знания (вплоть до программирования на разных языках), разрабатывать индивидуальные планы развития для сотрудников и выполнять многие другие задачи в области функции обучения и развития.

В России, конечно же, существуют свои решения и альтернативы. В первую очередь отмечу YandexGPT от российского «Яндекса» и GigaChat от «Сбера». Обе нейросети обладают своими особенностями и преимуществами, но, по сути, способны выполнять аналогичные задачи.

Несмотря на нынешнюю популярность нейронных сетей, их эффективность в HR-аналитике не столь однозначна. Тестированию их возможностей посвящена отдельная глава (см. главу 3, раздел «Использование нейросетей для задач HR-анализа»).

Резюмируя всё сказанное выше, стоит отметить, что HR-аналитика предоставляет обширный (пожалуй, даже чересчур) инструментарий для работы, однако далеко не все инструменты столь необходимы в самом начале карьеры. Начинающему специалисту (вернемся к нашей модели компетенций) вполне достаточно на хорошем уровне освоить Excel в качестве основного инструмента анализа данных и PowerPoint или Keynote как инструмент визуализации и подготовки презентаций. Этой базы будет достаточно для решения большей части прикладных задач (можно даже сказать, что данные инструменты, согласно «принципу Парето», способны давать 80 % результатов в работе HR-аналитика). По мере роста экспертности и усложнения задач неплохо будет освоить какой-нибудь BI-инструмент и познакомиться с SQL. Это уже продвинутый уровень, который позволит работать с практически неограниченными по размеру базами данных и сложными запросами. Наконец, для того чтобы всерьез заняться предиктивной аналитикой, стоит освоить языки программирования R или Python. Начать с синтаксиса языка, познакомиться с типами данных, циклами, функциями; затем, по мере практики выполнения базовых задач по работе с данными, освоить библиотеки для их анализа и прогнозирования.

Главное – не пытаться объять необъятное, двигаться последовательно от простого к сложному и внедрять новые инструменты и технические решения в повседневную работу. Помните, только наглядные результаты вашего труда и приложенных усилий будут поддерживать ваши мотивацию и вовлеченность.

HR-аналитика и недетерминированные системы

Это, пожалуй, единственный раздел в книге, который будет посвящен несколько абстрактной теме; а потому, если любезный читатель преследует сугубо утилитарные цели, данную часть можно смело пропустить. Остальных же ожидает путешествие в небольшую метеолабораторию, где в 1961 году метеоролог и математик Эдвард Лоренц занимался прогнозированием погоды.

Для своей работы Лоренц разработал модель, которая описывала взаимосвязь между разными переменными (температурой, атмосферным давлением, скоростью и направлением ветра и прочими) в конкретный момент времени. Для определения связи между этими переменными Лоренц составил ряд уравнений. Значение переменных в каждый последующий момент зависело от их значения в предыдущий и рассчитывалось согласно этим уравнениям. Таким образом, модель была полностью определена – детерминирована, то есть какое-либо отклонение от заданных условий не должно было приводить к значительному изменению результата. Опираясь на эти расчеты, система начала строить график прогноза погоды.

Лоренц решил подробнее изучить уже построенный машиной график. В качестве начальных данных он ввел значения переменных из середины прогноза. Система должна была бы точно воспроизвести вторую половину графика, ведь условия (температура, давление и пр.) не изменились, и продолжить строить его дальше. Однако Лоренц обнаружил нечто совершенное иное – графики оказались разными. Причем если вначале график еще более или менее повторял исходный вариант, то к концу не имел с ним совсем ничего общего. И чем на более отдаленное время система строила прогноз погоды, тем сильнее итоговый график отличался от исходного (см. рис. 1.6).

Рисунок 1.6. Расхождение двух прогнозов погоды из-за незначительных изменений в начальных условиях (по Э. Лоренцу, 1961)

Выходило, что модель, в которой случайность была полностью устранена (ведь все изменения описывались на уровне алгоритмов), при одних и тех же начальных значениях выдавала совершенно разные прогнозы.

Разгадка этого крылась в том, что в памяти машины значения переменных хранились с точностью до шести знаков после запятой, а на печать выводилось только три. Лоренц, разумеется, ввел округленные значения, предположив такую точность вполне достаточной для повторного прогноза, однако получилось, что округление до тысячного знака существенно его исказило. Таким образом, система, которую анализировал ученый, на самом деле оказалась недетерминированной.

Позже, когда Лоренц более тщательно изучил этот феномен, он привел аналогию, ставшую затем хрестоматийной: что взмах крыльев чайки может вызвать заметные изменения погоды. Впоследствии чайку заменили бабочкой, а в 1972 году вышла его работа «Предсказуемость: может ли взмах крыльев бабочки в Бразилии вызвать торнадо в Техасе?»[10]10
  См.: Lorenz E. Predictability: Does the Flap of a Butterfly’s Wings in Brazil Set off a Tornado in Texas? // American Association for the Advancement of Science, December 29, 1972.


[Закрыть]. Позже всё это сократилось до всем известной «Теории бабочки» – отчасти из-за выбранного Лоренцем сравнения, а отчасти из-за того, как хаотические системы ведут себя в динамике (см. рис. 1.7).

Рисунок 1.7. Хаотические траектории в системе Лоренца (аттракцион Лоренца)

«Ну и при чем тут HR?» – спросите вы. А при том, что персонал – это и есть самая настоящая недетерминированная система, именно такая, какую описал в своих работах Лоренц. Такая, в которой развитие какого-то HR-процесса или явления не определяется (или определяется не полностью) начальными условиями этого самого процесса или явления. Не очень понятно, да? Давайте на примере.

Представим себе такой процесс, как прогнозирование выработки производственного подразделения компании. Это некое количество продукта, которое, как мы полагаем, изготовит наша производственная команда исходя из ряда условий: количества человек в команде, нормы выработки на человека и прочего. Обладая историческими данными, мы можем построить прогноз выработки будущих периодов, и, согласно модели, если входные условия у нас не изменятся, на практике мы получим тот же объем, что и спрогнозировали.

Однако если среди читателей есть специалисты по экономике труда, то они прекрасно знают, насколько часто производственные планы не выполняются даже с учетом минимального изменения входных условий. Кто-то не вышел на смену, а кто-то вообще влюбился – и нет ему дела до ваших втулок или что там у вас еще.

Данный пример иллюстрирует ту мысль, что функция управления персоналом, в известном смысле, недетерминированная и, более того, стохастическая система.

Это такая система, изменения в которой возникают под воздействием случайных факторов, а малейшие отклонения от начальных условий могут со временем привести к значительным изменениям во всей системе. Такими случайными факторами могут быть как изменения внутри самой системы, так и вне ее. Причем, на первый взгляд, логической связи между этими факторами может даже не прослеживаться, как не прослеживается связь между снижением выработки в производственном подразделении и новым бухгалтером Эмилией Фридриховной.

Так, французский математик Анри Пуанкаре в своей книге «Наука и метод»[11]11
  Poincaré H. Science et Méthode. Flammarion, 1908.


[Закрыть], изданной в 1908 году, писал: «В неустойчивых системах совершенно ничтожная причина, ускользающая от нас по своей малости, вызывает значительные действия, которые мы не в состоянии предугадать… Предсказание становится невозможным, мы имеем перед собой явление случайное».

Кроме того, помимо огромного количества влияющих на персонал факторов, будь то геополитика, экономика, демография, рынок и многое другое, любое развитие процесса во времени, при анализе в терминах вероятностей, будет случайным процессом. Иными словами, с точки зрения теории вероятности все развивающиеся во времени процессы будут стохастическими, а HR-сфера и есть динамическая среда, помноженная на непредсказуемость человеческого фактора.

Примером недетерминированности может служить наша собственная солнечная система, живущая под воздействием огромного количества малопрогнозируемых факторов. В отличие от детерминированных систем, то есть систем, состояние которых можно абсолютно точно предсказать (например, АТС: набрав номер абонента, вы точно свяжетесь именно с нужным вам человеком, так как влияние других факторов на эту систему исключено), состояние недетерминированной системы сложно не только прогнозировать, но и тем более им управлять.

Пытаясь описать и спрогнозировать развитие внутренних или внешних HR-процессов с помощью HR-аналитики, мы неосознанно занимаемся редукционизмом. Редукционизм предполагает, что сложные явления, процессы и системы можно объяснить, разложив их на более простые фундаментальные компоненты. Эта концепция стремится найти основу или базовый уровень, отталкиваясь от которого можно обосновать все более сложные явления и расчеты. В ходе упрощения объект исследования по понятным причинам начинает терять свою целостность, но дает исследователю точку опоры, от которой он может начать выстраивать познавательный процесс.

Так, например, в модель прогнозирования текучести мы чаще всего вкладываем исторические данные за предыдущие периоды и на этой основе строим свои предположения. Такой подход до известного предела дает нам понимание развития процесса и уровня текучести за плановый период, однако можно ли сказать, что это позволит нам построить точную модель текучести персонала в компании? Увы, нет. Наша модель, вероятнее всего, отразит лишь общую тенденцию изменения уровня текучести и попадет в некий ее диапазон (см. раздел «Основы прогнозирования» в главе 3).

Если же мы захотим сделать нашу модель более точной, то в нее придется включить модель «дожития» сотрудников, изменение уровня их лояльности и удовлетворенности за отчетный период и учесть при этом корреляцию данных показателей с уровнем текучести. Это уже значительно повысит качество модели и точность нашего прогноза, но опять же не сделает его идеальным. Ведь мы не учитываем в ней многих других факторов, которые могут прямо или косвенно влиять на уровень искомого показателя в компании: условия работы у конкурентов, изменение цикличности в экономике, значимые внешнеполитические факторы и пр. А самое замечательное в этом процессе то, что нам едва ли удастся даже определить все факторы, которые потенциально могут повлиять на показатель текучести, просто потому, что мы не в состоянии предвидеть все возможные связи и созависимости.

После этих слов кому-то покажется, будто мы расписываемся в собственной несостоятельности хоть сколько-нибудь достоверно прогнозировать какие-либо события и явления в HR-среде. Значит ли это, что нам нужно отказаться от данной затеи?

К счастью, не всё так безнадежно. Во-первых, с решением этой дилеммы нам поможет редукционизм, о котором мы говорили чуть выше. Сложные многофакторные процессы можно описать через допущения и упрощения. Каждый процесс имеет доминирующие аспекты влияния, и именно их-то и следует учитывать в первую очередь при построении моделей и прогнозов, пренебрегая теми факторами, которые мы не можем определить, или теми, чье моделирование и описание влияния на рассматриваемый процесс кажется нам сложным. Какие именно из них будут доминирующими – вопрос опыта самого исследователя и инструментов вроде корреляционного или факторного анализа.

Во-вторых, теория хаоса не подразумевает невозможности прогнозирования развития системы как таковой, а, скорее, имеет в виду невозможность управления ею. Ведь даже в теории хаоса – науке, сформировавшейся после исследований Лоренца, – присутствует концепция причинно-следственных связей, что дает нам возможность создавать какое-то подобие прогноза, пускай и с определенной погрешностью (иногда довольно значительной).

Задача HR-аналитика, несмотря на недетерминированность функции управления персоналом, – выделять доминирующие причины, которые коррелируют с исследуемыми факторами, и при построении прогнозов и моделей учитывать их в работе, сознательно отказываясь от идеи включать в изучаемую модель все возможные причины изменений этих факторов. И в этом смысле HR-аналитика, без сомнения, становится основным инструментом не только для описания такой системы, но и для управления ею.