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，用友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，用友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。用友人力云通过环状图、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。用友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。