Meramal Pusing Ganti Pekerja dengan AI: Isyarat, Model dan Etika

Oleh Kevin Kim · Dikemas kini 11 Oktober 2026

Ramalan pusing ganti pekerja ialah penggunaan pembelajaran mesin untuk menganggarkan, daripada data HR dan data kerja, sejauh mana kemungkinan setiap pekerja atau pasukan akan berhenti dalam tempoh tertentu, supaya pengurus dapat bertindak atas puncanya sebelum surat peletakan jawatan tiba. Outputnya lazimnya kebarangkalian atau jalur risiko. Ia ramalan, bukan hukuman, dan cara anda menggunakannya lebih penting daripada model yang menghasilkannya.

Panduan ini ditujukan kepada pemimpin HR, pemilik people analytics dan pengurus yang ditawarkan dashboard "flight risk", atau yang sedang berfikir untuk membinanya. Ia merangkumi cara model berfungsi, isyarat yang menjadi sandarannya, mengapa ketepatan lebih terhad daripada yang dicadangkan oleh angka tajuk utama, dan garis etika yang wajar ditarik sebelum sesiapa melihat skor. Ia terletak dalam bahagian AI dalam HR dan dibina atas people analytics dan AI.

Fakta Utama

• Majikan di AS mencatat 3.1 juta peletakan jawatan pada Ogos 2026, dengan kadar peletakan jawatan 1.9 peratus bagi bulan itu (BLS JOLTS). Berhenti dalam mana-mana satu bulan ialah peristiwa yang jarang berlaku, dan itulah sebab ramalan sukar.
• Kajian sistematik 2024 dalam Expert Systems with Applications meliputi 52 kajian yang diterbitkan dari 2012 hingga April 2023, mendapati lebih 20 teknik pembelajaran mesin digunakan, dan melaporkan gaji serta kerja lebih masa sebagai faktor ramalan yang paling kritikal (Expert Systems with Applications, melalui UAEU).
• Kajian University of Campinas pada 2019 melatih pengelas pada rekod 8,724 pekerja di sebuah syarikat minuman sebenar di Brazil dan melaporkan ketepatan keseluruhan 79% pada data ujian (UNICAMP).
• Di bawah GDPR Article 22, setiap orang berhak untuk tidak tertakluk kepada keputusan yang berasaskan pemprosesan automatik semata-mata, termasuk pemprofilan, yang memberi kesan ketara kepada mereka, dan pengawal data mesti menawarkan sekurang-kurangnya campur tangan manusia serta cara untuk mencabarnya (EUR-Lex).
• Suruhanjaya Eropah menyenaraikan alat AI untuk pekerjaan dan pengurusan pekerja sebagai berisiko tinggi, dengan peraturan itu terpakai mulai 2 Disember 2027, dan menyenaraikan pengecaman emosi di tempat kerja sebagai amalan yang dilarang (Suruhanjaya Eropah).

Cara Model Pusing Ganti Berfungsi

Dari sudut ACE Framework, model pusing ganti mengambil masuk data HR berstruktur, menganalisis sejarah siapa yang kekal dan siapa yang pergi, dan meramalkan kebarangkalian bagi orang yang belum pergi. Ia corak pemarkahan yang ditujukan kepada tenaga kerja anda sendiri, sering dengan lapisan anomali yang menandakan perubahan mendadak dalam sesebuah pasukan.

Mekanismenya mudah diterangkan:

1. Pilih tempoh. "Adakah orang ini akan berhenti dalam 6 bulan akan datang?" ialah soalan yang lebih jelas daripada "Adakah dia akan berhenti?"
2. Bina sejarah. Bagi setiap petikan lalu, rekodkan apa yang anda tahu tentang orang itu ketika itu dan sama ada dia berhenti dalam tempoh berikutnya.
3. Latih. Model mempelajari corak dalam petikan itu yang cenderung mendahului perletakan jawatan. Teknik biasa ialah regresi logistik, pokok keputusan, random forest dan gradient-boosted tree. Penyelidikan yang lebih baharu menggunakan pembelajaran mendalam pada sejarah kerjaya, seperti kertas arXiv Januari 2025 yang meramal pusing ganti merentasi beberapa firma menggunakan set data dunia sebenar (arXiv).
4. Skorkan tenaga kerja semasa. Setiap orang yang masih bekerja mendapat kebarangkalian.
5. Terangkan. Sistem yang berguna turut menyatakan faktor mana yang menaikkan skor, supaya seorang manusia dapat memutuskan sama ada sebabnya benar dan boleh dibaiki. Inilah idea di sebalik AI yang boleh dijelaskan.

Dua perkara rangka menjimatkan banyak kekeliruan. Pertama, ini ialah analitik ramalan pada set data yang kecil dan tidak seimbang, yang berkelakuan jauh berbeza daripada meramal klik atau pembelian. Kedua, ramalan menggambarkan korelasi. Model boleh mempelajari bahawa orang yang tidak dinaikkan pangkat selama tiga tahun sering berhenti tanpa memberitahu anda sama ada kenaikan pangkat akan mengekalkan mereka.

Isyarat Ramalan yang Lazim

Kebanyakan model bergantung pada beberapa kelompok data. Jadual mengumpulkannya mengikut tahap kegunaan dan kesensitifannya.

Kajian dalam semakan 2024 menunjuk kepada gaji dan kerja lebih masa sebagai faktor terkuat, yang sepadan dengan gerak hati: ia direkodkan dengan boleh dipercayai, berubah mengikut masa dan berkait dengan sebab sebenar untuk berhenti. Isyarat di bahagian bawah jadual ialah yang paling perlu dikendalikan dengan berhati-hati. Umur dan jarak ulang-alik boleh secara senyap mewakili ciri yang dilindungi. Jejak digital seperti corak mesej atau penyemakan imbas bukan sahaja tidak tepat tetapi menghakis kepercayaan, dan di EU, membuat kesimpulan tentang emosi di tempat kerja dilarang sepenuhnya.

Jika anda ingin tahu apa yang realistik untuk dimasukkan ke dalam model, mulakan dengan asas data HR untuk AI. Kebanyakan projek pusing ganti yang gagal, gagal pada kualiti data, bukan pada algoritma.

Had Ketepatan yang Perlu Anda Fahami

Vendor yang menyebut "ketepatan 90%" memberitahu anda sangat sedikit. Inilah sebabnya.

Berhenti jarang berlaku, jadi ketepatan mengampu. BLS melaporkan kadar peletakan jawatan 1.9 peratus bagi Ogos 2026. Walaupun sepanjang setahun, kebanyakan pekerja kekal. Model yang meramalkan "semua orang kekal" betul pada kebanyakan masa dan tidak berguna. Ketepatan mesti digantikan dengan ukuran yang mengambil berat tentang mereka yang pergi: precision (daripada orang yang ditandakan, berapa yang pergi), recall (daripada orang yang pergi, berapa yang ditandakan) dan AUC.

Penggera palsu melebihi bilangan tepat. Berikut ialah ilustrasi hipotesis, bukan keputusan yang diukur. Ambil 1,000 pekerja di mana 150 akan berhenti tahun ini. Model yang baik mengesan 105 daripada 150 (recall 70%) dan menandakan 170 daripada 850 yang kekal secara salah (20% penggera palsu). Itu 275 orang ditandakan, dan hanya 105 daripadanya, kira-kira 38%, benar-benar pergi. Pengurus yang melihat senarai itu kebanyakannya sedang melihat orang yang akan kekal juga.

Angka yang diterbitkan tidak boleh dipindahkan. Kajian syarikat minuman Brazil melaporkan ketepatan keseluruhan 79% pada tenaga kerja sebenar seramai 8,724 orang. Keputusan dari satu syarikat, satu tempoh dan satu set medan jarang dapat dipindahkan, dan sesetengah kajian yang diterbitkan dibina atas fail HR sampel sintetik, yang tidak banyak memberitahu tentang tenaga kerja sebenar. Nilai mana-mana model berdasarkan sejarah anda sendiri.

Dunia berubah. Model yang dilatih sebelum penyusunan semula, pembekuan gaji atau lonjakan pengambilan mempelajari tenaga kerja yang berbeza daripada yang anda ada sekarang. Skor menyimpang, dan model yang tiada siapa uji semula terus kelihatan berwibawa sambil bertambah buruk.

Ramalan bukan penyebab. Walaupun skor yang baik hanya memberitahu anda di mana hendak melihat. Punca ditemui dengan berbual dengan orang.

Contoh Sebenar mengikut Fungsi

HR business partner. Seorang rakan kongsi menyemak risiko peringkat pasukan setiap suku tahun, bukan skor individu. Satu kumpulan kejuruteraan menunjukkan risiko yang meningkat, dengan lebih masa yang banyak dan tiada kenaikan pangkat dalam dua tahun. Rakan kongsi itu membangkitkannya dengan pengarah sebagai masalah beban kerja dan laluan kerjaya, dan tiada individu yang disasarkan.

Pengurus operasi barisan hadapan. Di tapak berasaskan syif, ketidakstabilan jadual dan corak kerja lebih masa tanpa bayaran meramal perletakan jawatan. Pengurus membaiki jadual dan menghadkan syif lewat berturut-turut. Nilai model ialah menunjuk kepada proses penjadualan, bukan kepada mana-mana pekerja.

Pasukan pampasan. Model terus menandakan orang yang sudah lama melepasi kenaikan gaji terakhir dalam peranan di mana gaji pasaran telah bergerak. Pampasan menggunakannya untuk menjalankan semakan gaji yang disasarkan, iaitu tindakan yang jelas dan boleh dipertahankan dengan rasional yang mudah.

Kepimpinan jualan. Seorang pengarah jualan ditunjukkan bahawa wakil jualan yang tidak mencapai kuota selama dua suku berturut-turut berhenti pada kadar yang lebih tinggi. Responsnya ialah bimbingan dan semakan wilayah lebih awal, bukan amaran kepada wakil jualan itu.

Undang-undang dan privasi. Penasihat undang-undang mengesahkan data apa yang boleh digunakan secara sah, notis apa yang diterima pekerja, dan sama ada penilaian impak perlindungan data diperlukan. Pasukan ini patut berada dalam bilik sebelum projek rintis, bukan selepas.

Etika Bertindak atas Skor Flight Risk

Skor mencipta jenis maklumat baharu tentang seseorang yang tidak mereka berikan kepada anda dan mungkin tidak tahu wujud. Cara anda mengendalikannya ialah ujian sebenar.

Jangan biarkan ia menyentuh keputusan tentang orang. Skor risiko tidak boleh sekali-kali mengurangkan akses seseorang kepada kenaikan pangkat, projek, latihan atau kenaikan gaji atas alasan mereka akan pergi juga. Itu menjadikan ramalan sebagai ramalan yang menjadi kenyataan. Ia mungkin juga menyalahi undang-undang: GDPR Article 22 menghadkan keputusan berasaskan pemprosesan automatik semata-mata yang memberi kesan ketara kepada orang, dan EU AI Act menganggap AI pekerjaan sebagai berisiko tinggi. Jika anda beroperasi di AS atau di tempat lain, peraturannya berbeza dan terus berubah, jadi dapatkan nasihat undang-undang untuk setiap bidang kuasa.

Gunakan skor untuk memperbaik keadaan, bukan untuk mengawasi individu. Penggunaan paling beretika membaiki punca yang didedahkan oleh model: jurang gaji, beban berlebihan, kerjaya yang tersekat, pengurus yang lemah. Penggunaan paling kurang beretika memberitahu pengurus secara senyap bahawa seseorang yang dinamakan "berisiko" supaya mereka boleh menguruskan orang itu.

Jauhkan skor daripada pengurus barisan secara lalai. Paparan teragregat pada peringkat pasukan atau jabatan memberi anda gambaran tanpa pelabelan. Jika skor individu mesti digunakan, hadkan siapa yang melihatnya, rekodkan sebabnya, dan padamkannya mengikut jadual.

Semak bias. Bandingkan ralat model merentasi kumpulan yang ditakrifkan oleh jantina, umur, kaum, kecacatan dan status penjagaan di mana anda dibenarkan berbuat demikian. Model yang terlalu banyak menandakan wanita berumur tiga puluhan kerana sejarah menunjukkan lebih banyak perletakan jawatan sekitar cuti ibu bapa sedang mengekodkan corak, bukan kebenaran. Konsep ini diterangkan dalam bias dalam AI.

Berterus teranglah. Beritahu pekerja data apa yang digunakan dan untuk apa. Pemarkahan rahsia merosakkan kepercayaan lebih cepat daripada kebanyakan pusing ganti.

Jauhi pengawasan tingkah laku. Membaca mesej, menjejaki penyemakan imbas atau membuat kesimpulan tentang mood untuk mengesan "penarikan diri" bersifat mencerobohi, mudah tersilap dan, bagi pengecaman emosi di EU, dilarang. Jika sesuatu isyarat memerlukan orang diperhatikan rapat, ia isyarat yang salah.

Cara Melaksanakan Ramalan Pusing Ganti Langkah demi Langkah

1. Tentukan keputusan dahulu. Tuliskan apa yang akan anda lakukan secara berbeza jika anda tahu di mana risiko tertumpu. Jika jawapannya "tiada", jangan membinanya.

2. Mulakan dengan alternatif yang murah. Lihat data keluar, tema temu duga keluar, skor penglibatan dan kadar keluar mengikut pengurus dan jalur tempoh perkhidmatan. Banyak organisasi menemui pemacu utama tanpa sebarang model.
3. Audit data anda. Pastikan anda mempunyai rekod konsisten tentang pengambilan, perletakan jawatan (dengan sukarela berbanding tidak sukarela diasingkan), sejarah gaji, perubahan peranan dan penugasan pengurus sekurang-kurangnya beberapa tahun. Kecualikan perletakan jawatan tidak sukarela daripada sasaran.
4. Tetapkan skop pada peringkat pasukan. Putuskan bahawa output diagregatkan, siapa boleh melihat apa, dan tindakan mana yang dibenarkan.
5. Pilih model paling mudah yang berfungsi. Regresi logistik atau model berasaskan pokok, dengan penjelasan, biasanya mencukupi. Bandingkan dengan garis dasar asas seperti "jalur tempoh perkhidmatan ditambah kedudukan gaji".
6. Uji dengan jujur. Latih pada data lama dan uji pada tempoh terkini. Laporkan precision, recall dan AUC, bukan ketepatan sahaja, dan semak ralat merentasi kumpulan.
7. Lakukan kerja privasi. Dokumenkan asas undang-undang, jalankan penilaian impak di mana diperlukan, dan beritahu pekerja.
8. Jalankan projek rintis dengan gelung semakan manusia. Minta HR duduk bersama pengurus untuk bertanya sama ada pemacu sepadan dengan apa yang mereka lihat. Rekodkan kes di mana model silap.
9. Ukur intervensi, bukan model. Tujuannya ialah perletakan jawatan yang dikesali lebih sedikit. Bandingkan pasukan yang dirawat dengan yang tidak, dan jejaki sama ada tindakan seperti semakan gaji atau perubahan beban kerja menggerakkan keputusan.
10. Uji semula mengikut jadual. Nilai semula sekurang-kurangnya setiap tahun, dan selepas sebarang perubahan organisasi besar.

Untuk melihat bagaimana ini sesuai merentasi keseluruhan perjalanan pekerja, lihat AI merentasi kitaran hayat pekerja. Dan untuk siapa memiliki apa dalam fungsi HR yang menerima pakai ini, lihat AI dan model operasi HR.

Kesilapan Lazim

• Membeli berdasarkan angka ketepatan tajuk utama. Minta precision, recall, data yang digunakan dan cara ia diuji.
• Meramal sebelum membaiki data. Pengekodan keluar yang bersepah (berhenti berbanding diberhentikan berbanding bersara) merosakkan pemboleh ubah sasaran.
• Memarkahkan individu sedangkan pasukan sudah memadai. Label individu menambah risiko dan sedikit pandangan.
• Menyembunyikan model. Jika pekerja mengetahui tentang pemarkahan rahsia, kerosakannya melebihi sebarang manfaat.
• Menganggap skor sebagai punca. Model memberitahu di mana hendak melihat. Orang memberitahu anda mengapa.
• Bertindak hanya pada skor tinggi. Sesetengah pekerja terbaik anda pergi dengan senyap dengan skor rendah, dan sesetengah yang ditandakan sebenarnya sudah selesa.
• Tidak pernah menguji semula. Model yang usang yakin dan salah.