كيف تتنبأ Meta بمغادرة الموظفين التقنيين: نتائج نموذج ML فاجأت الباحث

متخصص في تحليلات الموارد البشرية بخبرة تزيد عن عقد من الزمن في Meta قرر التحقيق في سبب مغادرة المواهب لشركات التكنولوجيا في سنتهم الأولى من العمل. كان واثقاً من إجابته — حتى اللحظة التي أطلق فيها نموذج Machine Learning لتحليل البيانات.

الفرضية الأولية بعد سنوات من العمل مع بيانات الموارد البشرية، قام

المحلل بتكوين معتقد راسخ: يتم تحديد معدل دوران الموظفين من خلال عاملين أو ثلاثة عوامل رئيسية. على الأرجح، كما كان يعتقد، ستكون الراتب والنمو الوظيفي وجودة الاستقطاب. أكدت المحادثات مع الزملاء في Meta هذه الوجهة النظر. لكن عندما تعلق الأمر بجمع البيانات الملموسة وبناء نموذج، أصبحت الصورة أقل وضوحاً.

أظهر النموذج شيئاً مختلفاً اكتشف نموذج ML أن القوة التنبؤية للعوامل

التي كان يراهن عليها كانت أكثر تواضعاً بكثير مما هو متوقع. بدلاً منها، برزت أنماط غير متوقعة كمركز الاهتمام. تبين أن أولئك الذين يغادرون كثيراً ليسوا الأكثر عدم رضا عن الراتب، بل أولئك الذين شعروا بعدم اليقين حول اتجاه حياتهم الوظيفية داخل الشركة.

حددت الدراسة العوامل المتنبأ بها الحقيقية: مسار تطور الموظف قبل الدور الحالي سرعة اتخاذ القرارات على مستوى المدير الإشارات الثقافية التي يتلقاها الشخص في الأسابيع الأولى التطابق الدافعي بين الأهداف الشخصية ورسالة الشركة * وجود مرشد أو راع في المراحل الأولى ## كيفية تطبيق هذا يفتح البحث اتجاهاً جديداً لاستراتيجية الموارد البشرية. بدلاً من التركيز فقط على التعويض والدرجات الوظيفية، يمكن للشركات الاستثمار في جودة الاستقطاب وتعيين راع لكل موظف جديد وتسريع عملية اتخاذ القرارات على مستوى رؤساء الفريق.

"البيانات لا تكذب — المشكلة غالباً ليست ما تراه على السطح"

ماذا يعني هذا تنفق شركات التكنولوجيا موارد ضخمة على جذب المواهب، لكنها

تفقدها بسبب النقائص في مرحلة التكامل. يُظهر نموذج ML: إذا تم تنظيم الأشهر الأولى بشكل صحيح وتم إعطاء الشخص اتجاهاً واضحاً، يمكن الاحتفاظ بالعديد منهم. هذه أداة لفرق تحليلات الموارد البشرية لإعادة التفكير في نهجهم تجاه الاحتفاظ بالموظفين.