Дані та аналітика про людей • 8 ХВ ЧИТАННЯ
Прогностична HR-аналітика: від ретроспекції до передбачення
JUN 10, 2026
Більшість звітів HR повідомляють вам, що сталося. Прогностична аналітика повідомляє, що, ймовірно, станеться далі. Ось як здійснити перехід.
Різниця між описовою та прогностичною аналітикою
Описова аналітика відповідає на запитання: що сталося? Ваш щомісячний звіт про чисельність персоналу, коефіцієнт плинності та дані про відсутність — усе це описова аналітика. Вони повідомляють про минуле і є цінними для відстеження тенденцій. Прогностична аналітика відповідає на запитання: що, ймовірно, станеться? Прогностична модель плинності визначає працівників із підвищеним ризиком добровільного звільнення ще до того, як вони подадуть заяву. Прогностична модель відсутності виявляє команди з патернами, що вказують на зародження проблеми з відсутністю. Різниця має значення, оскільки описова аналітика показує проблеми після того, як вони сталися; прогностична аналітика дає вам можливість втрутитися до того, як це станеться.
Початок роботи з прогностичною аналітикою
You do not need a data science team to begin. The first step is accumulating enough historical data in a single system (your HRIS) to identify meaningful patterns. The most accessible predictive model for most HR teams is a flight risk model: identify the characteristics that historically preceded voluntary departures in your organisation. Tenure, time since last pay review, time since last promotion, engagement score trend, and manager quality score are common predictors. Once you have identified the pattern, you can flag employees who match the profile for a proactive retention conversation.
