algo-hr-turnover

従業員の離職予測

概要

離職予測では、分類モデル（ロジスティック回帰、ランダムフォレスト、XGBoost）を使って、従業員が定められた期間（通常は6～12か月）内に退職する確率を推定します。特徴量には、勤続期間、報酬、業績、昇進履歴、エンゲージメントの指標が含まれます。

使用する場面

使用の条件：

• 自発的な退職のリスクが高い従業員を特定する
• 対象を絞った介入に向けて、離職を引き起こす要因を定量化する
• 最も効果が見込まれる従業員に定着予算を優先的に配分する

使用しない場面：

• 非自発的な解雇の計画（プロセスも倫理的な考慮事項も異なります）
• 従業員数が200人未満の場合（信頼できるモデルを構築するにはデータが不十分です）

アルゴリズム

IRON LAW: Turnover Models Predict RISK, Not Certainty
A predicted 80% turnover probability means "employees with similar
profiles historically left 80% of the time." It does NOT mean this
specific employee WILL leave. Never use model outputs as sole basis
for employment decisions — that creates legal and ethical liability.

フェーズ1：入力の検証

収集するデータ：従業員の属性、勤続期間、報酬（市場水準との比較）、最終昇進日、業績評価、マネージャーの変更履歴、エンゲージメント調査のスコア、通勤距離。目的変数：Nか月以内の自発的な退職。 判定条件： 離職イベントが最低200件あり、退職日より前の特徴量が利用可能であること。

フェーズ2：コアアルゴリズム

1. 特徴量エンジニアリング：勤続期間の区分、報酬比率（給与／市場中央値）、最終昇進からの経過期間、マネージャーの在任期間、エンゲージメントの傾向
2. クラスの不均衡に対処：離職率は通常10～20％です。SMOTEまたはクラス重みを使用します。
3. 学習：ロジスティック回帰（解釈しやすく、人事部門に好まれます）またはGBDT（精度がより高い）
4. 出力：退職確率と、従業員ごとの主なリスク要因

フェーズ3：検証

評価項目：AUC、適用可能なしきい値における適合率と再現率。バックテスト：過去6か月に退職した従業員を、モデルが正しくリスクありと判定できたかを確認します。 判定条件： 上位10％でAUC > 0.70、適合率 > 50％。

フェーズ4：出力

リスクスコアと要因分析を返します。

出力形式

{
  "risk_scores": [{"employee_id": "E123", "turnover_prob": 0.72, "risk_tier": "high", "top_drivers": ["low_comp_ratio", "no_promotion_3yr"]}],
  "metadata": {"model": "xgboost", "auc": 0.78, "prediction_window_months": 12}
}

例

入出力の例

入力： 従業員：勤続4年、報酬比率0.85、3年間昇進なし、エンゲージメントスコアが低下中 期待される結果： 高リスク（>0.6）。主な要因：市場水準を下回る報酬、停滞したキャリア形成。

エッジケース

入力	期待される結果	理由
入社から6か月未満の新入社員	信頼性の低い予測	行動データが不十分
業績が高く、報酬も高い従業員	それでも退職する可能性あり	金銭以外の要因（マネージャー、企業文化）も重要
組織再編後の期間	モデルのドリフトが起きる可能性あり	異常な状況がパターンを歪める

注意点

• 生存者バイアス：学習データに含まれるのは、採用され、観察に必要な期間だけ在籍した人のみです。入社後早期に退職した人が少なく含まれる可能性があります。
• 特徴量リーク：「転職活動を始めた」や「LinkedInを更新した」は強い予測因子ですが、倫理的・法的に問題があるため、使用は避けてください。社内の人事データに限定します。
• 自己成就的予言：マネージャーが「高リスク」の従業員を異なる方法で扱い（投資を減らし、プロジェクトを任せなくなるなど）、モデルの予測が自己成就的になる場合があります。
• 法的制約：保護対象となる属性（年齢、性別、民族性）を直接、または代理変数を通じて使用すると、雇用法に違反する可能性があります。異なる影響が生じていないか監査してください。
• 定着施策のタイミング：リスクを特定しても、人事部門が行動しなければ意味がありません。具体的な介入の条件を定め、定着施策のワークフローにモデルを組み込みます。

参考資料

• 人事データからの特徴量エンジニアリングについては、references/hr-features.md を参照してください
• 人事分野における倫理的なAIについては、references/ethical-hr-ai.md を参照してください