Прогнози та аномалії
Шлях: Огляд HR-аналітики / Ролевий центр → Діаграми
Ця родина дивиться вперед і шукає неочікуване. Прогнози проєктують майбутнє показника з його власної історії; аномалії позначають періоди, що порушують усталений патерн. Є два види виявлення аномалій — вбудований статистичний метод і метод машинного навчання, — тож для конкретного показника можна обрати той, що краще підходить.
Як розуміти прогноз
Прогноз проєктує наступні періоди наявного показника і показується як центральна оцінка плюс довірчий діапазон (нижня і верхня межі). На діаграмі оцінка — це лінія, а межі утворюють смугу навколо неї.
Сприймайте прогноз як орієнтир, а не зобов'язання. Смуга показує невизначеність; що вона ширша, то менш певна проєкція. Прогнози показників, керованих зовні (плинність, вартість праці), за своєю природою менш точні.
Прогнози працюють на сервісі SMART ML Forecast і потребують, щоб показник-джерело зберігав принаймні 24 періоди історії (встановіть його Кількість періодів аналізу на 24+). Кожен прогноз називає статистичну модель, яку використовує за замовчуванням (ARIMA, ETS, STL для сезонності або комбінацію) — це налаштовується.
| Прогноз | Проєктує | З | Модель за замовч. |
|---|---|---|---|
| Прогноз чисельності | Загальну чисельність | WRK-HEADCOUNT | ARIMA |
| Прогноз плинності | Ковзну 12-місячну плинність | WRK-TURNOVER-12M | ARIMA |
| Прогноз ФОП | Фонд оплати праці (ФОП) | PAY-FUND | ETS+ARIMA |
| Прогноз ФОП за підрозділами | Оплату праці для топ-5 підрозділів | PAY-FUND (за одиницею) | ETS+ARIMA |
| Прогноз ЄСВ | ЄСВ роботодавця | PAY-SSC | ETS+ARIMA |
| Прогноз загальної вартості праці | Фонд + ЄСВ разом | PAY-FUND + PAY-SSC | ETS+ARIMA |
| Прогноз понаднормових | Понаднормові години | WT-OVERTIME | ETS |
| Прогноз лікарняних | Дні лікарняних | ABS-DAYS-SERIES (SICK) | STL |
| Прогноз днів відпусток | Дні відпусток | ABS-DAYS-SERIES (VACATION) | STL |
| Прогноз рівня відсутності | Рівень відсутності по компанії | ABS-RATE-DEPT | STL |
| Бюджетний коридор вартості праці | 12-місячну вартість праці як імовірнісний коридор P10/P50/P90 + три накопичувальні підсумки | PAY-FUND + PAY-SSC | ETS+ARIMA, персентилі 0.1,0.5,0.9 |
| Прогноз потреби в заміщенні | Очікувані звільнення наступного кварталу (сигнал для плану найму) | WRK-HIRES-TERMS (TERM) | Авто + виявлення переривчастості |
| Прогноз резерву відпусток | Резерв відпусток, звітований за 90-м персентилем для планування нарахувань | ABS-LIABILITY | ETS+ARIMA, персентилі 0.5,0.9 |
| Прогноз чисельності за підрозділами | Чисельність за кожним підрозділом (глобальна крос-серійна модель — покриває і нові/малі підрозділи) | WRK-HEADCOUNT (за одиницею) | Глобальна (запасний варіант ARIMA) |
Останні чотири постачаються вимкненими: вмикайте їх після перевірки з'єднання зі SMART ML Forecast.
Розширені параметри прогнозів
Чотири параметри розширюють будь-який прогноз, де їх показує картка налаштування. Вони потребують актуального сервісу SMART ML Forecast.
- Персентилі прогнозу — список із 2–3 персентилів у (0,1) через кому, напр.
0.1,0.9або0.1,0.5,0.9. Опубліковані межі тоді стають цими персентилями замість довірчої смуги («значення не перевищить X з імовірністю ~90%»), а заголовки переходять на імовірнісні формулювання. З трьома значеннями центральна оцінка — медіана. - Виявляти переривчастість — дозволяє сервісу перемкнути розріджену серію (багато нульових місяців, напр. звільнення за підрозділами) на спеціальну модель переривчастого попиту. Потребує одиночної або порожньої (= Авто) Моделі прогнозу — з ансамблем не поєднується.
- Використовувати календарний регресор — передає кількість робочих днів на місяць (з офіційного виробничого календаря в Налаштуванні керування персоналом) у прогноз як відомий майбутній фактор, тож місяць із 19 робочими днями не сприймається як спад. Потребує Модель прогнозу = ARIMA або AutoARIMA, а виробничий календар має бути згенерований на всю історію і горизонт прогнозу — відсутній місяць дає зрозумілу помилку з назвою календаря і місяцем.
- Використовувати глобальну модель — для групованих прогнозів (оплата праці або чисельність за підрозділами): один крос-серійний виклик моделі покриває всі підрозділи замість окремого виклику на кожен із топ-5, а підрозділи з кількома місяцями історії теж отримують прогноз, запозичуючи силу в інших.
Як розуміти аномалію
Аномалія — це період, що відхиляється від того, що передбачала історія. Кожен рядок аномалії показує фактичне значення, очікуване значення і — для ML-аномалій — тип відхилення (сезонне, зсув рівня, точка зміни або тренд). Критичність залежить від розміру відхилення:
- 2–3 стандартні відхилення → несприятливо;
- понад 3 стандартні відхилення → критично;
- зміна відносно ідеально пласкої історії трактується як нова поведінка (невизначено), а не автоматично критично.
Статистичні аномалії (вбудовані)
Використовують z-оцінку (середнє ± налаштована кількість стандартних відхилень, Множник сигма) за ковзною історією — без зовнішнього сервісу.
- Аномалії нарахувань (
ANM-PAYROLL) — підрозділи, чий фонд оплати праці відхиляється від їхньої власної історії, працівники, чия оплата за період стрибає відносно їхньої історії (рівень особи, вимкнено за замовчуванням; історія охоплює лише повні місяці роботи, тож нещодавно прийнятого не порівнюють із місяцями до прийому, а період зовсім без оплати лишається показнику «Працівники без нарахувань»), і працівники з попередніми нарахуваннями, що отримали елемент оплати, якого ніколи не мали (перші елементи новоприйнятого не позначаються). Кількість аномалій враховує лише те, що показує екземпляр: коли результати рівня особи вимкнені, вона рахує знахідки підрозділів. Сезонність грудня / тринадцятої зарплати обробляється порівнянням того самого календарного місяця попередніх років, щойно є дворічна історія. Коригувальні документи виключено. - Аномалії відсутності (
ANM-ABSENCE) — місячний сплеск лікарняних по компанії відносно історії (можливий сезонний спалах), підрозділи, чий рівень відсутності перевищує середній по компанії на налаштовану сигму, і кількість тривалих поточних лікарняних (понад 20 календарних днів). - Фактор Бредфорда (
ANM-BRADFORD) — див. примітку про відповідальне використання нижче.
ML-аномалії (SMART ML Forecast)
Викликають сервіс аномалій SMART ML Forecast, що розпізнає сезонні, зсуви рівня, точки зміни і трендові відхилення — багатші за просту z-оцінку, і вони називають тип відхилення. Це альтернатива/доповнення статистичних аномалій за тією самою серією; вмикайте те, що підходить компанії. Кожна потребує 24+ періодів історії на показнику-джерелі.
| ML-аномалія | Спостерігає | Джерело |
|---|---|---|
| Аномалії чисельності (ML) | Зрушення персоналу (точки зміни) | WRK-HEADCOUNT |
| Аномалії плинності (ML) | Відхилення рівня плинності | WRK-TURNOVER-12M |
| Аномалії нарахувань (ML) | Відхилення фонду оплати праці | PAY-FUND |
| Аномалії лікарняних (ML) | Відхилення днів лікарняних | ABS-DAYS-SERIES (SICK) |
| Аномалії рівня відсутності (ML) | Відхилення рівня відсутності | ABS-RATE-DEPT |
| Аномалії понаднормових по підрозділах (ML) | Відхилення понаднормових за одиницею | WT-OVERTIME (за одиницею) |
Аномалії нарахувань (ML) додатково підтримують Використовувати календарний регресор: з ним календар робочих днів супроводжує виявлення, тож спад ФОП у короткому місяці (скажімо, 19 робочих днів у січні) пояснюється календарем, а не позначається як аномалія. Вимоги ті самі, що й для прогнозів: модель ARIMA/AutoARIMA і згенерований виробничий календар.