Verloop is een veelvoorkomende dynamiek binnen organisaties. Sommige werknemers verlaten de organisatie op natuurlijke wijze, bijvoorbeeld omdat ze op pensioen gaan of omdat hun contract ten einde loopt. In de meeste gevallen komt een werknemer zijn vertrek echter als een (onaangename) verrassing. Hoe komt iemand tot bij deze beslissing van ontslag?

In slechte economische tijden, met veel instabiliteit en onzekerheid, is er minder vraag naar personeel. Als gevolg, proberen organisaties ook vaak kosten te drukken door werknemers te ontslaan. Het verloop neemt toe. Anderzijds, gaat economische groei ook hand in hand met veel verloop. Deze keer wordt het vertrek vooral aangestuurd vanuit de werknemers. De vraag naar meer werknemers op de arbeidsmarkt neemt namelijk toe en men kan overal terecht voor nieuwe jobkansen.

Ongeacht het economische scenario kan een hoog personeelsverloop schadelijk zijn voor organisaties en leiden tot materiële kosten in verband met ontslag, aanwerving en opleiding, maar ook tot immateriële kosten zoals verlies van know-how, verstoring van de workflow en de relaties met klanten en leveranciers.

Het zou dus erg handig zijn om te kunnen voorspellen wanneer één van jouw werknemers wil vertrekken, zelfs in goede tijden. Of om bij potentiële sollicitanten na te gaan hoelang ze mogelijks bij jouw organisatie zullen blijven. Één probleempje daarbij: waar halen we genoeg bruikbare data vandaan om accurate voorspellingen te maken?

In een recent, Braziliaans onderzoek, verzamelden onderzoekers aan de hand van een crawler (een software die pagina’s van een website automatisch kan verwerken) meer dan 80.000 professionele profielen van LinkedIn. Dat is geen grote verrassing, aangezien LinkedIn, met meer dan 750 miljoen leden in meer dan 200 landen, met voorsprong het grootste professionele sociale netwerk is. Linkedin-gegevens bevatten waardevolle inzichten die kunnen worden gebruikt om werknemers te identificeren die het risico lopen de organisatie te verlaten. Zo focusten de onderzoekers van dit Braziliaans onderzoek zich op bepaalde kenmerken van werknemers, waaronder hun woonplaats, opleidingsniveau en vaardigheden, maar vooral ook hun professionele achtergrond en de werkduur in hun voorgaande jobposities.

Eens deze data verzameld was, lieten de onderzoekers 3 verschillende vormen van machine learning los op de data. Machine learning is een vorm van Artificial Intelligence (AI) waarbij het systeem data toegereikt krijgt en hieruit zelf leert en verkent. Machine learning blinkt uit in het sorteren van grote datasets en het herkennen van patronen hierin. De job van de computer was dan ook om de LinkedIn-profielen uit de dataset te sorteren afhankelijk van de mate waarin ze geneigd waren om ontslag te nemen. Van de drie verschillende vormen, bleek trouwens het beslissingsboom-algoritme veruit het beste. Het beslissingsboom-algoritme filtert de data op basis van talloze boomstructuren en kiest daaruit voor de boomstructuur met het hoogste informatiewinst.

Op basis van hun gemiddelde werkduur, werden de profielen opgespoord die de kans liepen om binnenkort de organisatie te verlaten. Uiteindelijk werden hierin twee niveaus gemaakt:

• Een lage neiging tot verloop: in minder dan 60% van de jobervaringen een lagere tewerkstellingsduur dan gemiddeld voor medewerkers actief in dezelfde sector.
  ➜ Lag de gemiddelde werkduur uit jouw vorige jobervaringen hoger dan het gemiddelde uit jouw sector? Dan bleef je dus doorgaans langer aan het werk binnen organisaties dan gelijkaardige profielen deden, en was er minder kans dat je de huidige organisatie zou verlaten.
• Een hoge neiging tot verloop: in meer dan 60% van de jobervaringen een lagere tewerkstellingsduur dan gemiddeld voor medewerkers actief in dezelfde sector.
  ➜ Hetzelfde verhaal als hierboven. Door de werkduur over al jouw jobervaringen samen te nemen en dit gemiddelde te vergelijken met het sectorgemiddelde, kan je bepalen dat als je sneller van de ene naar de andere job springt, je meer kans hebt om ook de huidige job sneller te verlaten.

Dit betekent dat je werknemers in verschillende sectoren relatief makkelijk met elkaar kan vergelijken, enkel en alleen met LinkedIn-gegevens. Is een werknemer in meer dan 60% van hun voorgaande jobs minder lang aan het werk dan het sectorgemiddelde? Dan heeft deze werknemer een hoge neiging om ontslag te nemen. Een werknemer die je dus best goed opvolgt, of het nu is om jouw eigen interne favoriete medewerker bij te houden of om een potentieel interessant profiel dat binnenkort weer op de markt komt net aan te trekken voor jouw organisatie.

Wil je het onderzoek graag zelf lezen? Dan kan je het downloaden via hun Researchgate pagina.

Wil je nog meer inspiratie over hoe je deze inzichten kunt halen uit jouw eigen organisatie met HR-analytics? Of heb je nog honger naar meer concrete oplossingen om uitdagingen zoals werknemersverloop en -retentie aan te pakken? Contacteer ons dan of schrijf je in op onze gratis nieuwsbrief.