Comment Meta prévoit les départs des profils tech : les résultats du modèle de ML ont surpris le chercheur

Un spécialiste en People Analytics avec plus d'une décennie d'expérience chez Meta a décidé d'enquêter sur les raisons pour lesquelles les talents quittent les entreprises technologiques au cours de leur première année de travail. Il était confiant dans sa réponse — jusqu'au moment où il a lancé un modèle de Machine Learning pour analyser les données.

Hypothèse

Initiale Après des années de travail avec les données des ressources humaines, l'analyste avait formé une conviction solide : le roulement est déterminé par deux ou trois facteurs clés. Probablement, supposait-il, ce seraient le salaire, la progression de carrière et la qualité de l'intégration. Les conversations avec les collègues chez Meta confirmaient ce point de vue. Mais quand il s'est agi de collecter des données concrètes et de construire un modèle, le tableau est devenu moins clair.

Le

Modèle a Révélé Quelque Chose de Différent Le modèle de ML a découvert que le pouvoir prédictif des facteurs sur lesquels il comptait était bien plus modeste que prévu. À la place, des modèles inattendus ont émergé comme point focal. Il s'est avéré que ceux qui partent souvent ne sont pas les plus insatisfaits du salaire, mais ceux qui ressentaient de l'incertitude quant à la direction que prenait leur carrière dans l'entreprise.

L'étude a identifié les vrais prédicteurs : Trajectoire professionnelle de l'employé avant le rôle actuel Vitesse de prise de décision au niveau du responsable Signaux culturels qu'une personne reçoit au cours des premières semaines Alignement motivationnel entre les objectifs personnels et la mission de l'entreprise * Présence d'un mentor ou d'un parrain aux stades initiaux ## Comment Appliquer Ceci La recherche ouvre une nouvelle direction pour la stratégie RH. Au lieu de se concentrer uniquement sur la rémunération et les échelles de carrière, les entreprises peuvent investir dans la qualité de l'intégration, désigner un parrain à chaque nouvel employé et accélérer le processus de prise de décision au niveau des chefs d'équipe.

«

Les données ne mentent pas — le problème n'est souvent pas ce que vous voyez en surface »

Ce

Que Cela Signifie Les entreprises technologiques dépensent d'énormes ressources pour attirer les talents, mais les perdent en raison d'insuffisances au stade de l'intégration. Le modèle de ML montre : si les premiers mois sont organisés correctement et qu'une personne reçoit une direction claire, beaucoup peuvent être retenus. C'est un outil permettant aux équipes de People Analytics de repenser leur approche de la rétention des employés.