Een kwantitatieve aanpak van employee churn - een praktijkvoorbeeld

Voordat je tot allerlei interventies komt om churn te voorkomen, is het goed om te onderzoeken:\

• Is churn inderdaad een probleem in de organisatie?
• En als dat zo is, wat hangt er dan samen met deze churn? Welke medewerkerskarakteristieken of welke karakteristieken van team en leidinggevende vertonen samenhang met het vertrek van medewerkers?

De eerste vraag is van net zo wezenlijk belang als de tweede. Namelijk: wil je als HR-afdeling impact hebben in de organisatie, kom dan met feiten waarom het onderzoek en de interventies die je wilt plegen, van groot belang zijn voor de organisatie. Zo verbind je belangrijke stakeholders aan het onderzoek. Om vervolgens met de tweede vraag aan de gang te gaan.

Beide vragen kunnen kwantitatief worden aangevlogen. Het voordeel van een kwantitatieve aanpak is ook dat je zoveel als mogelijk objectiviteit in het onderzoek stopt. Hoe doe je dat en welke technieken zijn daarvoor beschikbaar? Onderstaand zullen we ingaan op een voorbeeld.

Praktijkvoorbeeld

* de data in dit praktijkvoorbeeld is fictief *

Organisatie X heeft het gevoel dat het moeite heeft om medewerkers ingehuurd via een uitzendbureau vast te houden. Er is een relatief hoge uitstroom, er moeten vaak nieuwe medewerkers worden aangetrokken en opgeleid en dat kost tijd en geld. Wat kunnen ze doen om de uitstroom te verminderen?

Bevestiging of ontkrachting van ‘het gevoel’

Eerst maar eens in de data kijken of ‘het gevoel’ juist is. Van de afgelopen jaren hebben we data van 1.000 medewerkers verzameld, die als uitzendkracht bij organisatie X zijn gestart. We weten wanneer ze zijn gestart en wanneer ze zijn uitgestroomd, mocht dat plaatsgevonden hebben. Ook weten we wanneer ze een ander type contract hebben ontvangen of op een andere plek in de organisatie zijn gaan werken. Onderstaand zien we een visuele weergave van de status van het contract vanaf startdatum tot maximaal 2 jaar na start.

Wat direct opvalt is dat na 2 jaar het merendeel van de uitzendkrachten is uitgestroomd; het is zelfs zo dat ongeveer 1/4 van de uitzendkrachten al binnen een half jaar is vertrokken. Ook zien we na 2 jaar al een relatief groot aandeel medewerkers die in de organisatie is doorgestroomd naar een ander team. Op het oog lijkt het ook dat medewerkers die vroeg ‘intern’ worden, en vroeg in de organisatie doorstromen, minder vaak uitstromen.

Het gevoel dat leeft in de organisatie, lijkt dus niet onjuist. Deze visualisatie (een zogenaamd Sankey diagram) geeft de organisatie direct meer inzicht in de situatie. En nu het gevoel bevestigd is, kan ook de samenhang en mogelijke verklaring van churn verder kwantitatief worden onderzocht.

Onderzoek naar samenhang met churn

Onderstaande figuren tonen retentie van medewerkers (het tegenovergesteld van churn) in relatie tot medewerkerskarakteristieken. Zo zien we in de figuur ‘gender’ dat zowel voor mannelijke als voor vrouwelijke medewerkers, 25% van de medewerkers is uitgestroomd na 6 maanden, en iets meer dan 50% na 2 jaar. Er bestaat ook geen statistisch significant verschil tussen mannen en vrouwen (zie de bandbreedte). Wanneer we naar de figuur ‘age’ kijken, dan zien we dat er flinke verschillen bestaan in leeftijdscategorieën. In het bijzonder is de uitstroom van medewerkers jonger dan 30 jaar significant hoger én sneller dan door de andere leeftijdscategorieën. Aanvullende informatie waar de organisatie wat mee kan!

In de figuur ‘experience’ is in de eerste 6 maanden geen groot verschil te zien, maar daarna haken de meer medewerkers met meer ervaring af. Wat gebeurt er na 6 maanden in het contract dat dit zich voordoet? Als laatste zie we dat wanneer binnen 1 jaar de medewerker ‘intern wordt gehaald’, uiteindelijk na 2 jaar de hoeveelheid uitstroom lager is dan bij medewerkers die tussen 1 en 1.5 een intern contract krijgen.

Data Analytics

Deze visualisaties geven al mooie inzichten. Maar de mogelijkheden van Data Analytics zijn nog (lang) niet uitgeput. Zouden we ook een Machine Learning-model als Random Forest kunnen gebruiken om ook mogelijke churn in de toekomst te voorspellen?

Wanneer we een Random Forest-model loslaten op de data, met de karakteristieken uit bovenstaande figuur, zien we het volgende resultaat:

Het Random Forest-model krijgt het voor elkaar om voor 361 van de 450 medewerkers goed te voorspellen dat ze in dienst blijven van de organisatie. Een zogenaamde hit rate van 80.2%. De vertrekkende medewerkers voorspelt het model in 86.9% van de gevallen juist. Daarnaast zien we dat wanneer iemand een intern contract aangeboden heeft gekregen de belangrijkste karakteristiek is om churn te voorspellen en dat ‘gender’ slechts een kleine rol speelt.

En nu zelf!

Hoever ga je met je kwantitatieve aanpak? Maak je helemaal de stap naar het Random Forest-model, zoals hierboven, of is er al voldoende waardevolle informatie verkregen door enkel naar de visualisaties te kijken? Data Analytics is, zeker binnen HR,  ook een afweging van hoever je gaat: wat past bij de organisatie, wat is goed over te brengen in de organisatie, welke skills zijn aanwezig in de organisatie? Soms is dan een stap minder zetten waardevol, als dat tot meer impact in de organisatie kan leiden. Ook deze overdenkingen horen bij een data-gedreven HR Analytics project!

In de opleiding HR Analytics (die start op 10 november) gaan wij in 6 middagen in op alle aspecten die bij een data-gedreven aanpak komen kijken. Van data-analyse tot storytelling en van adaptatie in de organisatie tot data science-technieken. Meer weten? Bekijk onze website of download de brochure!