دمج تعلّم الآلة والذكاء الاصطناعي القابل للتفسير لتنبّؤ دوران الموظفين في تحليلات الموارد البشرية

لماذا يؤثر فقدان الأشخاص بشدة

كل استقالة تحمل ثمنًا خفيًا. عندما يغادر موظف متمرس، لا تخسر الشركة بند راتب فحسب؛ بل تفقد مهارات وعلاقات وزخم العمل. يستعرض هذا المقال كيف يمكن للأدوات البيانية الحديثة أن تساعد المؤسسات على اكتشاف من قد يعتزم الرحيل والأهم من ذلك فهم السبب. من خلال مزج تعلّم الآلة مع الذكاء الاصطناعي القابل للتفسير، يهدف الباحثون إلى تزويد فرق الموارد البشرية بنظام تحذير مبكر عملي وإرشادي للحفاظ على الموظفين ذوي القيمة.

تحويل سجلات الموارد البشرية إلى إشارات

تجمع معظم المؤسسات بالفعل معلومات غنية عن موظفيها: العمر، الدور، الأجر، درجات الأداء، وحتى إجابات استبيانات الرضا. تستفيد الدراسة من أربع مجموعات بيانات من هذا النوع، بما في ذلك عينة شائعة الاستخدام من IBM وعدد من مجموعات بيانات واقعية أو واقعية تقريبًا تضم آلاف الموظفين. تمزج هذه الجداول أرقامًا (مثل الدخل الشهري أو سنوات العمل في الشركة) مع فئات (مثل الدور الوظيفي أو الحالة الاجتماعية). يقوم المؤلفون أولًا بتنظيف وتوحيد كل هذه المعلومات، بتحويل التسميات النصية إلى أرقام ووضع المقاييس في نطاقات قابلة للمقارنة. هذه التحضيرات الدقيقة تحول سجلات الموارد البشرية الفوضوية إلى أساس متسق يمكن لأجهزة الحاسوب أن تتعلم منه.

تعليم الآلات للتعرّف على مخاطر الرحيل

بمجرد أن تصبح البيانات جاهزة، يختبر الفريق نطاقًا واسعًا من طرق التنبؤ، من الانحدار اللوغاريتمي البسيط إلى تقنيات "التعزيز" المتقدمة التي تجمع قواعد ضعيفة عديدة لتشكيل قاعدة قوية. تحدٍّ رئيسي هو أن في أي شركة معظم الموظفين يبقون، لذا يشكّل "الراحلون" أقلية صغيرة. إذا تُرك الأمر دون معالجة، قد يتوقع النموذج ببساطة أن الجميع سيبقى ويبدو دقيقًا على الورق. لتجنّب هذا المأزق، يستخدم المؤلفون طرق موازنة تخلق أمثلة تركيبية واقعية للراحلين، مما يساعد الخوارزميات على تعلم الأنماط الدقيقة التي تميّز من المرجح أن يستقيل عن من المرجح أن يبقى. كما يستخدمون استراتيجية بحث آلية لضبط إعدادات كل نموذج داخليًا عبر آلاف التجارب لاستخراج أداء إضافي.

من يغادر وما الذي يهم أكثر

عبر مجموعات البيانات، تبرز عائلتان من النماذج: التعزيز التكيُّفي (Adaptive Boosting - AB) والتعزيز التدرّجي مع الهستوغرام (Histogram Gradient Boosting - HGB). تصل هذه الأساليب إلى درجات عالية في الدقة (كم مرة يكون المتنبأ بترك الموظف صحيحًا)، والاسترجاع (كم عدد الراحلين الفعليين الذين يتم رصدهم)، والدقة العامة. لكن الأداء الخام لا يكفي للاستخدام الواقعي. يحتاج مديرو الموارد البشرية إلى معرفة العوامل التي تقود التنبؤ ليتمكنوا من الاستجابة بعدالة. لفتح هذه "الصناديق السوداء"، يستخدم الفريق تقنية تُدعى SHAP مستعارة من نظرية الألعاب. تمنح SHAP كل ميزة مساهمة في التنبؤ النهائي لموظف معين، وعند متوسطتها عبر عدد كبير من الموظفين تكشف عن العوامل الأكثر أهمية بشكل عام. في هذه الدراسة، تظهر ساعات العمل الإضافية، المستوى الوظيفي، خيارات الأسهم، ورضا الوظيفة مرارًا كمؤشرات قوية على مغادرات مستقبلية أو تغيّر الوظيفة.

من الأرقام إلى إجراءات ملموسة

بما أن تفسيرات SHAP تعمل على المستوى العام ولدى كل فرد على حدة، فإنها تجسر الفجوة بين الإحصاءات والقرارات اليومية. على مستوى الشركة، تسلط الضوء على مناطق مشكلة عامة: على سبيل المثال، العمل الإضافي المتكرر أو الأدوار المتوقفة في منتصف المسار المهني المرتبطة بارتفاع مخاطر الاستقالة. بالنسبة لموظف واحد، يمكنها أن توضح ما إذا كان العمل الإضافي أو الأجر أو نقص فرص الترقية يرفع درجة مخاطرهم. يجادل المؤلفون بأن هذه النظرة المزدوجة تمكّن فرق الموارد البشرية من تصميم استجابات مستهدفة — مثل إعادة توازن أحمال العمل، توضيح مسارات الترقية، أو إعادة النظر في خطط توزيع الأسهم — مع وجود أسباب شفافة لمناقشتها مع المديرين والموظفين.

ما الذي يعنيه ذلك لأماكن العمل

بعبارات بسيطة، يبيّن المقال أنه أصبح من الممكن بناء أنظمة لا تتنبأ بمن قد يغادر فحسب، بل تشرح أيضًا السبب بطريقة مفهومة للبشر. من خلال تنظيف بيانات الموارد البشرية بعناية، وموازنة الاحتمالات بين الباقين والراحلين، وإقران نماذج تنبؤ قوية مع تفسيرات مرئية واضحة، يمكن للمؤسسات الانتقال من مقابلات الخروج التفاعلية إلى استراتيجيات احتفاظ استباقية. إذا استُخدمت هذه الأدوات بمسؤولية مع الانتباه للخصوصية والتحيّز، فيمكن أن تساعد الشركات على حماية رأسها البشري مع تقديم أماكن عمل أكثر عدلًا واستجابة للموظفين.

الاستشهاد: AL-Ali, M., Alwateer, M., Alsaedi, S.A. et al. Integrating machine learning and explainable AI for employee attrition prediction in HR analytics. Sci Rep 16, 6344 (2026). https://doi.org/10.1038/s41598-026-36424-2

الكلمات المفتاحية: دوران الموظفين, تحليلات الموارد البشرية, تعلّم الآلة, الذكاء الاصطناعي القابل للتفسير, استراتيجيات الاحتفاظ