然而传统的人力资源业务决策常常依赖直觉或过往管理实践，
，，很容易产生决策偏差，，运用数据和事实驱动决策不断被提上议程。。
。谷歌的首席人才官曾说过：“谷歌的HR决策从来都不是来自哪个最佳实践，，
，，一定只会来自内部数据的分析”。
。。。

科学的离职预测可以改变以往决策的模糊性，，从定性或主观分析进阶为量化、、、客观的分析，
，让决策者清晰看到员工的离职风险、、、流失成本，
，，
，促使管理者采取合理措施针对性解决问题。。
。

大厂纷纷通过离职预测实现人才保留：

“蓝色巨人”IBM首席执行官弗吉尼亚·罗曼提曾说：“想挽留一名员工，，，最好赶在他做出离职的决定以前。
。。。”IBM用AI预测员工离职
，，
，，及时发现员工的辞职念头，，
，，和员工讨论加薪、、奖金、、补贴等等办法，，进而商讨出双赢的对策通过
，，
，“离职预测”为IBM节约了近3亿美金
。。

谷歌借助自己开发的“人才保留算法”，，
，能够积极并成功的预测到哪些员工可能会离职。。这项举措让管理者在为时过晚之前采取行动，，，，并为员工留任提供个性化解决方案的空间。。

早在2012年，，腾讯就开始用数据分析员工离职率，，，数据显示进公司满3年的毕业生们流失率是普通员工的3倍（毕业3年往往进入适婚年纪，
，，，而房价攀升导致购房无望），
，，，为此腾讯推出“安居计划”帮助员工提早买房，，，，参与安居计划的员工流失率不到1%。。

为了帮助广大企业更科学便捷开展离职预测，，，，近期，，
，领玩人力云重磅推出员工离职预测功能，
，
，帮助企业提前准确识别高离职风险员工，，保障组织的持续健康稳定发展，，，让员工离职预测不只存在于大厂的神话中。。

工作压力
、
、、职业发展规划、、
、
、薪资报酬、、、人际关系等因素均可成为离职导火索，，
，，领玩人力云通过员工基本情况、、、、绩效数据、、个人发展及薪酬福利情况
、、、敬业度情况，，，洞察员工离职风险；还可以识别考勤变化等异常行为数据
，，
，，多维度数据对员工离职进行预测
，，基于离职概率高、、、、中、、
、、低风险等级情况与九宫格分析结果
，，，为业务决策提供有力支持。。。

（员工离职预测示意图）

如何更好地留住离职风险高的人才呢？？？？系统支持离职预测模型DIY，，，，对于重点关注人才
，，，，可以调整影响员工离职的关键因素
，，，，例如改变出差频率、、调整涨薪幅度、、、
、提供升职空间等，
，
，探索员工留用最佳方案，，便于后续与员工开展保留谈话。
。
。。

（离职重新预测示意图）

不同类型、、不同发展阶段的企业对于离职风险的敏感程度不尽相同
，，同样的离职概率对于一家互联网企业而言可能是中风险，，，但对于一家传统制造集团而言就是高风险。。。
。

在人力云系统中，，，可以灵活配置员工离职风险高、、、
、中、
、低对应的阈值
，，，，从而给到企业管理者更符合企业现状的风险提示与分析结果
。
。

（风险等级配置示意图）

管理者不仅应该了解特定员工的离职风险，，
，，更需要掌握组织离职风险全貌。
。领玩人力云通过环状图、、九宫格等形式，，
，清晰呈现员工离职预测概率及九宫格分布情况，，
，全盘展现企业中离职中高风险的人数及占比。。。

（离职风险分布分析示意图）

（九宫格分析示意图）

系统可以全面分析离职影响因素，，展现影响全组织样本离职概括的TOP15影响因素
，，帮助管理者了解哪些因素是促使人才流失的关键点，，，提早采取应对措施做出改进。。。。

（离职相关性解析示意图）

很多行业都存在新入职员工离职率高的问题，，如果大量员工刚加入企业不久便离职
，，，，很有可能是因为在招聘阶段我们没有精准定位合适的员工画像。。。员工base在哪里更合适？？具备什么样特质和经验的人才更稳定？
？？？这些决策过往只能依靠于经验判断。。

而现在，，
，
，动动手指在员工离职预测场景内模拟高稳定员工画像，，选定预期候选人的工作年限、、工作地点、
、
、工作技能等数据
，
，系统可基于虚拟员工画像给出离职风险预测，，，，帮助HR伙伴快速捕捉高稳定性员工画像。。。

将高稳定性员工画像应用于后续招聘、
、内部晋升工作，
，即可实现更科学的选用育留，
，决策有据可依。。。

（基于虚拟员工画像的离职预测示意图）

离职预测工具真的准确吗？
？？？如何提升预测的准确性？？？相信很多HR朋友在启用员工离职预测前会有类似的疑惑。。。领玩人力云员工离职预测功能不仅支持随时查看预测效果，，，，更支持企业通过持续的培养训练，，提升预测准确度。。。

在系统内，，，，HR不仅可以了解到当前离职预测的效果，，，，还可以导入更多的员工在职
、、离职数据
，
，，使离职预测系统更符合企业管理特征，，，，从而更准确预测员工离职概率。。