גישות למידת מכונה לחיזוי עזיבת עובדים: סקירה שיטתית

מבוא

ניבוי עזיבת עובדים הוא סוגיה מרכזית עבור ארגונים שמבקשים לשמר כישרונות ולהפחית עלויות גיוס. עזיבה, וולונטרית או כפויה, פוגעת ביציבות הארגון, בפריון ובביצועים, ובעיקר בענפים שדורשים מיומנויות מיוחדות או הכשרה יקרה. ניבוי מתי ולמה עובדים עשויים לעזוב מאפשר למחלקות משאבי אנוש לפעול מראש. בעשור האחרון הפכו אלגוריתמים של למידת מכונה לכלי מרכזי בתחום, ובהם עצי החלטה, יער אקראי, מכונות וקטורים תומכים (SVM) ורגרסיה לוגיסטית, לצד שיטות למידה עמוקה ושיטות אנסמבל. הסקירה השיטתית מנתחת 58 מחקרים מהשנים 2015 עד 2025. היא בוחנת את האלגוריתמים, מאגרי הנתונים, מדדי ההערכה והמאפיינים החשובים ביותר לניבוי, ומציגה את החוזקות והחולשות של הגישות. המסקנות המרכזיות הן שיער אקראי הוא השיטה הנפוצה ביותר, ששביעות רצון מהעבודה היא המאפיין הנפוץ ביותר, ושמאגרי נתונים גדולים נפוצים במחקרים.

רקע

עזיבת עובדים פוגעת ביציבות הארגון, בביצועיו ובמוניטין שלו, ובמיוחד בתחומים עתירי אינטראקציה כמו שירות לקוחות, בריאות ואירוח. העלויות מתחלקות לישירות ולעקיפות. העלויות הישירות כוללות פרסום משרות, ראיונות, בדיקות רקע והכשרת עובדים חדשים, והחלפת עובד עשויה לעלות מכמה אלפי דולרים ועד פי 1.5 עד 2 משכרו השנתי. העלויות העקיפות כוללות אובדן פריון בתקופת ההסתגלות של העובד החדש, טעויות וחוסר יעילות, שחיקה של העובדים שנשארו ואובדן ידע ארגוני.

הסיבות לעזיבה כוללות היעדר אפשרויות קידום, תגמול לא הולם, הנהגה וניהול לקויים, חוסר איזון בין עבודה לחיים, אי התאמה בין העובד לתפקיד והיעדר משמעות בעבודה, ותרבות ארגונית לא בריאה.

שיטת המחקר

בחירת המאמרים

המאמרים נאספו ממאגרים כמו IEEE, Wiley, Springer, ScienceDirect, Elsevier ו-Taylor & Francis, באמצעות שאילתה שהשלבה מונחים כמו ניבוי עזיבת עובדים וניבוי נשירה, יחד עם כריית נתונים, למידת מכונה, בינה מלאכותית ומידול ניבויי. בתחילה אותרו יותר מ-1,260 רשומות. אחרי הסרת כפילויות ומאמרים שטרם התפרסמו נותרו 840, אחרי סינון מאמרים לא רלוונטיים 590, אחרי סינון לפי איכות כתב העת או הכנס 270, ולבסוף 58 מחקרים שסיפקו פירוט מספק על המתודולוגיה, מאגר הנתונים והתוצאות ושימשו לפחות באלגוריתם למידת מכונה אחד.

הפקת נתונים וניתוח

מכל מחקר נאספו פרטי הפרסום, האלגוריתמים, מאגר הנתונים (גודל, מקור, מאפיינים), מדדי ההערכה, התוצאות והחוזקות והחולשות שדווחו. מספר מאמרי הכנסים הגיע לשיא ב-2018 ו-2019, ואילו מאמרי כתבי העת עלו בהדרגה מ-2020, מגמה שמשקפת התבגרות של התחום.

טקסונומיה של האלגוריתמים

עשר השיטות הנפוצות ביותר הן יער אקראי, SVM, רגרסיה לוגיסטית, עץ החלטה, נייב בייס, K שכנים קרובים, מודלי אנסמבל, רשתות נוירונים, XGBoost ו-AdaBoost. עבור כל אחת מוצג תיאור קצר של האלגוריתם ודוגמאות מהמחקרים. עצי החלטה דווחו בדיוק של 86% עד 87%, KNN בדיוק של 76% עד 86%, נייב בייס בדיוק של 79% עד 82%, ו-XGBoost בדיוק של כ-89%, מעל רגרסיה לוגיסטית (81%) באחד המחקרים. רשת נוירונים בודדת השיגה דיוק של 40% בלבד במחקר אחד. ב-AdaBoost הושג דיוק של 95.83%, ואילו יער אקראי באותו מחקר השיג 98.63%. מודל אנסמבל שמשלב יער אקראי, רשת נוירונים ורגרסיה לוגיסטית הגיע לדיוק של 97.6%.

קטגוריות של מודלים

המודלים מוינו לקבוצות: מודלים מבוססי עצים (פשטות, יכולת פירוש, אך נטייה להתאמת יתר), מודלי סיווג כמו רגרסיה לוגיסטית ו-SVM (מתאימים לנתונים קטנים ויחסים ליניאריים), למידה עמוקה כמו RNN ו-LSTM (מתאימה לנתונים רצפיים אך קשה לפירוש), אנסמבל ו-boosting (חזקים אך פחות שקופים), מודלים הסתברותיים (מודלים של אי ודאות ותלויות לאורך זמן) ומודלים היברידיים. בטבלה המסכמת מוצגים טווחי דיוק משוערים וזמני חישוב לכל קטגוריה.

ניתוח השיטות

שכיחות השימוש

יער אקראי הוא השיטה הנפוצה ביותר, עם 32 שימושים, בזכות יכולתו להתמודד עם נתונים מורכבים רבי ממדים ולהפחית התאמת יתר. אחריו SVM (19 שימושים) ורגרסיה לוגיסטית (18), ואחריהם עץ החלטה, נייב בייס ו-KNN, מודלי אנסמבל, רשתות נוירונים, XGBoost ו-AdaBoost. השימוש הנמוך יחסית ב-AdaBoost מוסבר ברגישותו לרעש ולחריגים, בדרישות חישוב גבוהות, בקושי לפרשו ובעליית אלגוריתמי boosting מתקדמים יותר.

מגמות לאורך זמן

יער אקראי שמר על נוכחות משמעותית עם שיאים ב-2018 וב-2022. רגרסיה לוגיסטית הציגה שימוש יציב אך משתנה. SVM היה יציב יחסית עם ירידה קלה אחרי 2018. עץ החלטה תנודתי, עם שיאים ב-2017 וב-2020.

שיקולים מתמטיים

מוצגים עקרונות היסוד של המודלים: פונקציות הפסד (לוג-לוס ברגרסיה לוגיסטית, hinge loss ב-SVM, מדדי אי ניקיון Gini ואנטרופיה בעצים), רגולריזציה L1 ו-L2 למניעת התאמת יתר, פירוק הטיה ושונות, והפחתת שונות ביער אקראי באמצעות ממוצע של עצים בלתי מתואמים. כן מוסבר ש-AUC הוא ההסתברות שדוגמה חיובית תקבל ציון גבוה מדוגמה שלילית, ושמודלי קופסה שחורה דורשים כלים כמו SHAP ו-LIME לפירוש.

מגמות מתפתחות

מתגברת ההתייחסות לרשתות עמוקות (RNN ו-LSTM) שתופסות תלויות זמן, לשיטות אנסמבל כמו יער אקראי, GBM ו-XGBoost, ולכלי פירוש. מוצעת מסגרת סיווג לפי שני צירים, יכולת פירוש ודיוק: מודלים שקופים (רגרסיה לוגיסטית ועצים), מודלים מורכבים ומדויקים (יער אקראי ו-XGBoost), מודלים שמעדיפים פירוש עם דיוק בינוני (נייב בייס ו-SVM) ומודלי למידה עמוקה.

ניתוח מאגרי הנתונים

מאגר IBM HR הוא הנפוץ ביותר (20 מחקרים, כ-34%), אחריו מאגרי Kaggle (8 מחקרים, כ-14%), ואילו כ-52% מהמחקרים השתמשו במאגרים אחרים, כמו נתוני HRIS של חברות, סקרים ונתוני רשתות מקצועיות. לפי גודל, 46% מהמחקרים השתמשו במאגרים גדולים (מעל 10,000 דגימות), 39% בבינוניים (1,000 עד 10,000) ו-15% בקטנים (פחות מ-1,000). מאגרים גדולים מאפשרים דיוק והכללה טובים יותר אך כרוכים בעלות חישובית; מאגרים בינוניים מאזנים בין ביצועים ליעילות; מאגרים קטנים פשוטים וזולים אך מובילים להכללה חלשה. מאגרים רבים מגיעים מארגונים גדולים או מענפים מסוימים, ולכן קיימת הטיית דגימה שעלולה לפגוע בניבוי בחברות קטנות ובמגזרים אחרים.

ניתוח מדדי ההערכה

הדיוק (Accuracy) הופיע ב-56 מתוך 58 המחקרים, F1 ב-50, Recall ב-49, Precision ב-43 ו-AUC ב-18. מדדים כמו Specificity (7), RMSE (2) ו-MAE (2) נדירים, כצפוי בבעיית סיווג. הדיוק עלול להטעות בנתונים לא מאוזנים (פחות עובדים עוזבים מנשארים), ולכן חשוב להשתמש גם במדדים אחרים ובשיטות איזון דגימות כמו SMOTE. מודלים כמו יער אקראי ורשתות נוירונים רגישים להתאמת יתר, ואפשר למתן אותה בעזרת ולידציה צולבת, גיזום עצים ורגולריזציה L2.

מאפיינים מרכזיים המשפיעים על עזיבה

זוהו 147 מאפיינים ייחודיים. שביעות רצון מהעבודה הופיעה ב-45 מחקרים, אחריה גיל (41), שכר (38), תפקיד (34) ומגדר (34), ואז דירוג ביצועים (28), שנות ותק (27) ומחלקה (25). איזון עבודה-חיים ומספר פרויקטים הופיעו ב-8 מחקרים בלבד, ותגמול, זמן בשירות וקידום בפחות מחקרים.

קשר לתיאוריות ניהול משאבי אנוש

החשיבות של שביעות הרצון מוסברת בעזרת היררכיית הצרכים של מאסלו (צרכים בסיסיים שלא מתמלאים מובילים לחוסר שביעות רצון), תיאוריית הצדק הארגוני (תחושת אי הוגנות בשכר או בקידום) ותיאוריית ההחלפה החברתית (חוסר איזון בין תרומת העובד לתמורה). אותן תיאוריות מסבירות גם את חשיבות השכר וההטבות.

שיטות פירוש: LIME ו-SHAP

LIME מקרב מודל מורכב באופן מקומי באמצעות מודל חלופי פשוט, ו-SHAP מבוסס על תורת המשחקים ומכמת את תרומת כל מאפיין לניבוי בודד. במחקרים שנסקרו הוצג ש-SHAP איפשר לפרק את השפעת שביעות הרצון והוותק, ו-LIME בשימוש עם יער אקראי הראה שעובדים צעירים עם ציוני ביצוע נמוכים בסיכון גבוה יותר. כלים אלה מאפשרים למשאבי אנוש להבין את הסיבות לניבוי ולהתמקד בגורמים המשפיעים ביותר.

ניתוח השוואתי

חוזקות

רבים מהמחקרים השתמשו באלגוריתמים מתקדמים שהראו יכולת ניבוי גבוהה, בייחוד יער אקראי. חלקם שילבו אנליטיקה של משאבי אנוש וכללו נתונים כמותיים ואיכותניים, וחלקם השוו בין כמה מודלים ואפשרו לזהות את המתאימים ביותר בכל הקשר.

חולשות

חולשה חוזרת היא הסתמכות על מאגרי נתונים קטנים או מוגבלים, לעיתים מחברה או מענף אחד, מה שמגביל הכללה. בנוסף היו בעיות ולידציה והתאמת יתר, חוסר פירוש במודלי קופסה שחורה כמו רשתות נוירונים ו-SVM, ובחירת מאפיינים לא עקבית בין מחקרים.

כיווני מחקר עתידיים

מומלץ לחקור למידה עמוקה (כגון RNN) ולמידת חיזוק, לבחון עוד שיטות אנסמבל, להרחיב לנתונים מעסקים קטנים ובינוניים ומקבוצות דמוגרפיות ותרבויות מגוונות, ולחקור מגזרים שלא זכו לייצוג מספק כמו חינוך, בריאות וסטארטאפים בתחום הטכנולוגיה.

מסקנות

יער אקראי נמצא כטכניקה היעילה והנפוצה ביותר, ושביעות רצון מהעבודה כמאפיין המשפיע ביותר. עם זאת, מחקרים רבים נשענים על מאגרים גדולים שכרוכים בעלות חישובית, המודלים לעיתים חסרי יכולת פירוש, ומגוון המאפיינים מוגבל. מומלץ לשפר את יכולת ההסבר של המודלים, לבחון מאפיינים נוספים כמו רווחה תעסוקתית, תרבות ארגונית וגורמים כלכליים חיצוניים, לשלב נתונים דינמיים בזמן אמת, ולבחון מודלים היברידיים שמשלבים כמה אלגוריתמים.

מקור

Talebi, H., Khatibi Bardsiri, A., & Khatibi Bardsiri, V. (2025). Machine learning approaches for predicting employee turnover: A systematic review. Engineering Reports, 7(8), Article e70298.