Привет, меня зовут Евгений Кириёк, я занимаюсь HR-аналитикой, преподаю и рассказываю про специфику анализа данных в области функции управления персоналом. Последнее время я плотно занимался прогнозированием HR-показателей (текучесть, выбытие, укомплект, заполняемость ШР, численность и пр.), попробовал довольно много методов, подходов, а главное - столкнулся со спецификой прогнозирования таких синтетических показателей, об этом и хочу рассказать в рамках этой статьи.Для кого эта статьяВ первую очередь для коллег из HR: рекрутеров, менеджеров по персоналу, специалистов ОТиЗ и всех тех, кто сталкиваются с задачами прогнозирования показателей в своей работе, при этом не имеют специального тех. образования, и не разбираются в тропических змеях и методах их приручения. Для них, я надеюсь, эта статья станет простой и максимально доступной инструкцией к действию. В рамках второй части (я, надеюсь, до этого дойдёт), поговорим о более сложных моделях типа ARIMA/SARIMA, алгоритмах типа Prophet и пр. применительно к HR, но это на перспектива, а сейчас – к теме.Что можно прогнозироватьВ статье мы будем прогнозировать HR-метрики, анализируя их как временные ряды. Временной ряд – это последовательность данных, которые фиксируются с определенной (равной) периодичностью. Например, текучесть, которую вы рассчитываете на ежемесячной основе. У вас собирается статистика формата: дата замера – значение текучести. Такой набор данных и будет временным рядом.Что нужно для прогнозирования1. Данные – это понятно. Но какой глубины они должны быть? Тут все зависит от инструмента, с которым мы работаем и характеристик самого ряда. Например, если данные имеют сезонность (текучесть с сезонностью, например, встречается довольно часто), то нужно 2–3 полных цикла с такой сезонностью для создания качественного прогноза. Для упрощения можно считать минимально необходимым объёмом - не менее 24 наблюдения. (т.е. 24 записи значения текучести). Читать далее