“如何让他们留下？”——员工流失的多样化反事实解释

员工流失是一个重要且复杂的问题，会直接影响组织的竞争力与绩效。解释员工离职原因是一项关键的人力资源管理挑战，因为吸引和留住优秀人才需要高昂的成本与时间。因此企业旨在提高员工保留率以最小化成本并最大化绩效。机器学习（Machine Learning, ML）已应用于人力资源管理的各个方面，包括流失预测，以帮助企业主动采取预防措施防止优秀人才辞职。在这些ML方法中，集成或深度神经网络报告了最佳性能，但其本质属于黑盒技术，因而难以解释。为理解这些模型的推理，已提出若干可解释性框架。反事实解释方法近年来引起相当关注，因为它们可用于解释并推荐为获得期望结果需采取的行动。然而当前的反事实解释方法侧重于优化对个体案例的改动以实现期望结果。在流失问题中，能够预见组织某项行动对一群员工的影响（目标是防止他们离开公司）十分重要。因此，本文提出利用基于历史数据中多个流失案例的反事实解释，以识别组织需对其实践/政策做出的最优干预，从而防止或最小化这些案例的流失概率。