.jpg)
根據日本企業發布的就業白皮書2020統計,一名員工從入職、培訓到離職,所花費的人事成本約為90~100萬日幣,與2018年統計數據相比增加了20萬,足見培育人才需花費高額企業成本。
面對日益加深的高齡化和少子化社會問題,日本政府十分關注如何改善勞動力減少,規劃吸引國外人才進駐等政策以維持日本國內勞動力數量。而2020年成立於東京都的株式會社Shikinami關注到職場的壓力、過長的工時以及人際關係問題將會大幅影響到員工的職場心理健康,進一步造成員工的非自願離職,並決定以不同角度為企業提供解決方向。
東京都嘉悅大學經營經濟部的白鳥成彥教授在大學任教超過15年,主要研究如何減少大學學生的休學、退學率。透過數據科學和人工智慧(AI)分析學生減少到課的原因,並加以改善減少休學及退學的比例。株式會社Shikinami與白鳥教授攜手共同研究,將此技術應用至企業經營中,利用AI開發出一款員工出缺勤分析系統。此AI系統可根據過往出缺勤與離職記錄、年齡、性別、通勤時間等個人資料,比對離職者的共通點、評估員工的心理健康,並進一步預測辭職機率。同時分析員工平時在職表現、公司考核評估評相關資訊,為企業提供預防離職解決方案。
【離職預測AI系統特色】
1. 掌握員工通勤狀況
透過AI系統掌握員工的通勤狀況,重點觀測員工的工作地與居住地間距離、交通工具、通勤時間成本等,進一步分析可能在哪個階段出現問題、問題嚴重程度及改善方法。當特定時期的離職風險數據增加時,透過詳細分析過往同期數據,更能夠釐清原因。
2. 將離職與長期休假者進行數據比對
比對離職和長期休假者的數據後找出關鍵共通點。藉此可以了解不同離職模式的原因差異,並確定哪些措施能有效留住人才。
3. 找出原因並對症下藥
透過AI系統分析之數據,找出導致離職和長期休假的原因和其模式,擬定出適合每位員工的因應措施。企業便可針對離職和長期休假風險較高的員工進行關懷,從而最大程度降低人事成本。
【「預測離職」的利與弊】
使用AI預測員工離職在人力資源管理中儼然成為重要課題,然而此技術也帶來隱私爭議。特別是如何保持客觀中立、避免偏見。此外,因該技術建立在需監視員工勞動狀況相關數據的前提下,是否違反職場倫理、侵犯員工私領域,也產生了正反兩面不同看法。
使用預測離職AI系統管理員工的離職,利弊並存。優點包含:
- 透過企業及時介入關懷可以降低員工離職率。
- 透過向雇主提醒預防性潛在風險的警示,有可能推動職場環境改革,提高員工滿意度。
- 降低離職率可節省企業招聘、培訓新員工的人事成本。
缺點包含:
- 機密數據若未妥善處理,恐存在侵犯員工隱私的風險。
- 部分員工可能對於被AI評估感到不適,恐存在道德上的疑慮。
- AI預測並非百分百準確且其評估過程不透明,恐導致員工對企業的信任及忠誠度降低。
儘管離職預測AI在人力資源管理中帶來不少便利性,仍必須同時警慎處理相應的風險和挑戰。企業在導入相關解決方案時,需制定相關政策和規範,確保AI應用是在公平、透明且符合倫理標準的前提下進行。
此外,企業也需不斷監測並評估AI系統性能,善盡管理職責,以確保系統符合最高標準的要求,才得以在改善勞動力缺乏之社會議題的同時兼顧資訊安全和員工隱私。
封面圖片來源:Photo by Arlington Research (@arlington_research) | Unsplash Photo Community
參考資料來源: