People Analytics на ноутбуке HR-аналитика: расчёт истинной текучести, кривые удержания Каплана — Мейера и вилки грейдов

People Analytics на ноутбуке HR-аналитика: расчёт истинной текучести, кривые удержания Каплана — Мейера и вилки грейдов

Ведомость начислений ФОТ с премиями топ-менеджмента, причинами увольнений и грейдами инженеров — самая взрывоопасная коммерческая и персональная таблица внутри любой компании. Загружать сырую выгрузку из 1С:ЗУП во внешние зарубежные BI-облака или сторонние веб-конвертеры категорически запрещено как службой информационной безопасности, так и требованиями локализации 152-ФЗ «О персональных данных».

К счастью, даже для холдинга численностью 10 000–80 000 сотрудников вся десятилетняя история кадровых перемещений и расчётных листков весит в колоночном формате .parquet всего 30–90 мегабайт и обсчитывается строго локально в памяти защищённого ноутбука HR-аналитика за доли секунды! Разбираем три главные математические методики, отделяющие настоящую People Analytics от «средней температуры по больнице».

Почему классический «процент текучести за год» врёт на растущем или сезонном бизнесе

В учебниках прошлых лет общую текучесть считают как Уволенные за период / Среднесписочная численность × 100 %. Представьте, что компания в сентябре открыла новый распределительный центр и наняла 300 новичков: среднесписочная численность выросла в полтора раза — и на слайде HRD общая текучесть «волшебным образом упала с 28 % до 19 %», хотя в реальности 60 % этих новичков увольняются в первые 45 дней стажировки!

Правильный инструмент оценки удержания на ноутбуке аналитика — анализ выживаемости с цензурированием справа (Kaplan — Meier Survival Curve, библиотека lifelines в Python), учитывающий и тех, кто уже уволился (event = 1), и тех, кто прямо сейчас продолжает работать со стажем T дней (event = 0, правоцензурированные наблюдения!):

import pandas as pd
from lifelines import KaplanMeierFitter

# Выгрузка 1С:ЗУП уже псевдонимизирована (только внутренний солёный хеш emp_hash, без ФИО и СНИЛС!)
df["tenure_days"] = (df["exit_date"].fillna(pd.Timestamp("2026-10-20")) - df["hire_date"]).dt.days
df["is_voluntary_exit"] = df["exit_reason"].isin(["собственное_желание", "непрохождение_испытания"]).astype(int)

kmf = KaplanMeierFitter()
for dept, group in df.groupby("department"):
    kmf.fit(durations=group["tenure_days"], event_observed=group["is_voluntary_exit"], label=dept)
    print(f"{dept}: удержание 90 дней = {kmf.predict(90):.1%}, удержание 365 дней = {kmf.predict(365):.1%}")

Такой расчёт за 2 секунды показывает истинную точку перелома:

• если кривая обваливается на 7–30-й день (Early Attrition) — сломан рекрутинг (обещали на собеседовании не те условия) или провалена адаптация у конкретного мастера смены;
• если кривая держится ровно год, а на 13–15-м месяце резко падает — рынок обогнал входной оклад, а порядок индексации и пересмотра оплаты труда не успевает за внешними офферами!

Метрики справедливости ФОТ на ноутбуке C&B: Compa-Ratio и Range Penetration

Чтобы пересмотр окладов на 800 сотрудников не превращался в конкурс «кто громче всех просит прибавку у директора», в локальной модели DuckDB / Power BI Desktop на ноутбуке C&B-менеджера для каждого сотрудника рассчитываются два индекса относительно утверждённой вилки его грейда (Min — Midpoint — Max):

Для мгновенных аналитических SQL-срезов по выгрузкам из 1С и ATS без установки сервера СУБД используйте встроенный движок DuckDB (принцип его работы прямо по плоским файлам мы подробно разбирали в материале локальный SQL-анализ миллионов строк в DuckDB на ноутбуке).

Защита ноутбука C&B-аналитика: шифрование, псевдонимизация и фильтр приватности экрана

У аналитика вознаграждений есть одна сугубо физическая угроза, о которой забывают 90 % компаний: подсматривание в экран ноутбука в переговорной, опенспейсе, лифте или сапсане!

• Магнитная или накладная антишпионская плёнка (Privacy Filter с углом обзора ±30°) либо встроенный электронный экран приватности (HP Sure View / ThinkPad Privacy Guard) — обязательный стандарт для любого ноутбука, на котором открываются ведомости ФОТ и бонусов!
• Шифрование BitLocker / FileVault, 16–32 ГБ ОЗУ, корпоративные шасси с аппаратным TPM 2.0 и сканером отпечатка (см. подробный разбор в статье корпоративные ноутбуки ThinkPad против EliteBook).

Чек-лист безопасности и методологии перед презентацией HR-дашборда правлению

• [ ] На самом первом шаге локального ETL-скрипта удалены столбцы ФИО, СНИЛС, паспорт, телефон и заменены на необратимый SHA-256 хеш табельного номера с локальной солью!
• [ ] На всех слайдах и срезах дашборда включено правило минимальной группы k-анонимности (N >= 5 человек): если в отделе работает всего 2 человека, фильтр не показывает «среднюю зарплату отдела», раскрывающую оклад коллеги!
• [ ] Отдельно разведены добровольная текучесть (Voluntary / Regrettable Turnover) и вынужденные сокращения / истечение срочных сезонных договоров.
• [ ] Файл .pbix / .xlsx с первичным ФОТ не пересылается открытым вложением в мессенджерах и почте — доступ выдаётся строго по ролевой модели (Row-Level Security).

Частые вопросы

Как посчитать реальную стоимость одного увольнения (Cost of Turnover) в рублях для защиты бюджета удержания перед финансовым директором? Сложите прямые и косвенные статьи по конкретной должности на ноутбуке в финансовой модели: Прямые затраты на подбор (доля ФОТ рекрутеров + работные сайты + медосмотр + спецодежда) + Затраты на ввод и обучение (часы наставника по его часовой ставке) + Потеря выработки открытой вакансии за дни простоя (Time-to-Fill) и пониженная продуктивность новичка в первые 60 дней. Даже для линейного комплектовщика склада или бариста эта сумма обычно составляет 3–5 месячных окладов, а для ведущего инженера — 9–15 окладов!