שילוב למידת מכונה ובינה מוסברת לחיזוי עזיבת עובדים בניתוח משאבי אנוש

מדוע אובדן עובדים פוגע כל כך

כל התפטרות נושאת תג מחיר סמוי. כשהעובד המנוסה יוצא מן הדלת, הארגון לא רק מאבד שורות שכר; הוא מאבד מיומנויות, קשרים ותנופה. מאמר זה בוחן כיצד כלים מודרניים של נתונים יכולים לעזור לארגונים לזהות מי עשוי לעזוב ובעיקר — להבין מדוע. על ידי שילוב למידת מכונה עם בינה מלאכותית מוסברת, החוקרים שואפים לספק לצוותי משאבי האנוש מערכת התראה מוקדמת ועם המלצות מעשיות לשמירה על עובדים בעלי ערך.

הפיכת רשומות משאבי אנוש לאיתותים

רוב הארגונים כבר אוספים מידע עשיר על הצוות: גיל, תפקיד, שכר, ציוני ביצועים ואפילו תשובות לסקרי שביעות רצון. המחקר מנצל ארבעה מאגרי נתונים כאלה, כולל מדגם נפוץ של IBM וכמה אוספים אמיתיים או מציאותיים של חברות עם אלפי עובדים. הטבלאות הללו משלבות מספרים (כמו הכנסה חודשית או שנות עבודה בחברה) עם קטגוריות (כגון תפקיד או מצב משפחתי). המחברים מתחילים בניקוי ואחידות של כל המידע הזה, ממירים תוויות טקסט למספרים ומביאים מדידות לסקלות השוות. ההכנה המדוקדקת הזו הופכת רשומות HR מבולגנות לבסיס עקבי שמחשבים יכולים ללמוד ממנו.

לימוד מכונות לזהות סיכוני עזיבה

ברגע שהנתונים מוכנים, הצוות בודק מגוון רחב של שיטות חיזוי, מהרגרסיה הלוגיסטית הפשוטה ועד טכניקות "בוסטרינג" מתקדמות המשלבות כללים חלשים רבים לחיזוי חזק. אתגר מרכזי הוא שבכל ארגון רוב העובדים נשארים, ולכן ה"עוזבים" מהווים מיעוט קטן. אם לא מתמודדים עם זה, המודל עלול פשוט לחזות שכולם יישארו ועדיין להראות מדויק על הנייר. כדי להימנע ממלכודת זו משתמשים המחברים בשיטות איזון היוצרות דוגמאות סינתטיות ראליסטיות של עוזבים, מה שעוזר לאלגוריתמים ללמוד את הדפוסים הדקים שמבדילים בין אלה שסביר שיעזבו לאלה שסביר שישארו. הם גם משתמשים באסטרטגיית חיפוש אוטומטית כדי לכוונן את ההגדרות הפנימיות של כל מודל באלפי ניסויים, ולמקסם את הביצועים.

מי עוזב ומה חשוב ביותר

בין מערכי הנתונים, שתי משפחות של מודלים בולטות: Adaptive Boosting (AB) ו‑Histogram Gradient Boosting (HGB). שיטות אלו מגיעות לציונים גבוהים עבור דיוק (באיזו תדירות עוזב שחוזה באמת עוזב), ריקול (כמה מהעוזבים בפועל נתפסו) והדיוק הכולל. אך ביצועים גולמיים אינם מספקים לשימוש בעולם האמיתי. מנהלי משאבי אנוש צריכים לדעת אילו גורמים מניעים תחזית על מנת להגיב בצדק. כדי לפתוח את ה"קופסאות השחורות" הללו משתמשים המחברים בטכניקה הנקראת SHAP, מנקודת מבט של תורת המשחקים. SHAP מקצה לכל תכונה תרומה להתחלה הסופית עבור עובד יחיד וכאשר ממוצעים על פני רבים, חושף אילו גורמים חשובים ביותר כללית. במחקר זה עבודה בשעות נוספות, רמת תפקיד, אופציות על מניה ושביעות רצון בעבודה צצו שוב ושוב כאיתותים חזקים לעזיבות עתידיות או לשינויים תפקידיים.

מהמספרים לפעולות קונקרטיות

מכיוון שהסברים של SHAP פועלים הן ברמה הגלובלית והן עבור כל אדם, הם גשרים בין סטטיסטיקה להחלטות יומיומיות. ברמת החברה הם מדגישים אזורים בעייתיים רחבים: למשל, שעות נוספות תכופות או תקיעות בתפקידים באמצע הקריירה הקשורים לסיכון גבוה יותר להתפטרות. עבור עובד יחיד הם יכולים להראות האם שעות נוספות, שכר או היעדר הזדמנויות קידום מעלה את ניקוד הסיכון שלו. המחברים טוענים שהמבט הכפול הזה מאפשר לצוותי HR לתכנן התערבויות ממוקדות — כגון איזון עומסי עבודה, הבהרת מסלולי קידום או בחינה מחדש של תכניות אופציות — ובמקביל לספק סיבות שקופות לדיון עם מנהלים ועובדים.

מה זה אומר עבור מקומות עבודה

בלשון פשוטה, המאמר מראה כי כיום ניתן לבנות מערכות שלא רק חוזות מי עשוי לעזוב אלא גם מסבירות מדוע בצורה שמובנת לבני אדם. באמצעות ניקוי קפדני של נתוני HR, איזון ההסתברויות בין נשארים לעוזבים וזיווג מודלים חזקים של חיזוי עם הסברים ויזואליים ברורים, ארגונים יכולים לעבור מראיונות יציאה תגובתיים לאסטרטגיות שימור פרואקטיביות. בשימוש אחראי, עם תשומת לב לפרטיות והטייה, כלים כאלה יכולים לעזור לחברות להגן על ההון האנושי שלהן ובו בזמן להציע לעובדים מקומות עבודה צודקים ויותר רגישים.

ציטוט: 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

מילות מפתח: עזיבת עובדים, ניתוחי משאבי אנוש, למידת מכונה, בינה מוסברת, אסטרטגיות שימור