מערכת זיהוי שחיקה של עובדים מבוססת בינה מלאכותית

תארו לעצמכם מחלקה של 20 אנשים — ותק ממוצע של שנתיים, אבל תחלופה שנתית של 40%. משאבי אנוש עורכים ראיונות יציאה — הסיבות: 'שחיקת עובדים', 'אין איזון בין עבודה לחיים'. אבל זה בדיעבד. מה אם המערכת הייתה מתריעה חודש מראש? מערכת זיהוי השחיקה שלנו מבוססת בינה מלאכותית מספקת חיזוי שחיקה מדויק 4-6 שבועות לפני הנקודה הקריטית. היא מבוססת על ניתוח טביעת רגל דיגיטלית באמצעות אינטגרציה עם Slack, Jira, GitLab ולוחות שנה. סינון מבוסס כללים מעבד נתונים פי 2 מהר יותר, אבל מודל השחיקה של ML מדויק פי 1.5 יותר מכללי סף פשוטים. כל מקרה שחיקה עולה $20,000 באובדן פרודוקטיביות והחלפה, והמערכת שלנו יכולה להפחית זאת ב-40%, ולחסוך $8,000 לעובד בשנה.

אחד מכל חמישה עוזב חברה עקב לחץ כרוני, ואובדן הפרודוקטיביות יכול להגיע ל-30% משכר העובדים. לפי Harvard Business Review, החלפת עובד שחוק עולה 50-100% מהשכר השנתי שלו. אנו מפתחים פתרונות AI למשאבי אנוש המנתחים טביעות רגל דיגיטליות בכלים ארגוניים ומזהים סימני שחיקה לפני שהעובד מתפטר או יוצא לחופשת מחלה. ניתוח HR חיזוי זה עוזר למנוע הפסדים ולשמר צוותים. המערכת שלנו מאפשרת מניעת שחיקה פרואקטיבית.

הגישה שלנו מבוססת על דפוסי התנהגות — אנחנו לא קוראים הודעות, אנחנו מסתכלים על מדדים: תדירות קומיטים, שעות עבודה, מספר פגישות, הפסקות בין פעילויות. זה אתי ותואם לחלוטין ל-GDPR ול-152-FZ. ניתוח AI אתי זה למשאבי אנוש מנתח רק נתונים מצטברים, תוך שמירה על סודיות.

למה לזהות שחיקה לפני שהיא קורית?

זיהוי מאוחר הוא יקר: כל מקרה שחיקה עולה 1-3 משכורות שנתיות (החלפה, חופשת מחלה, יעילות מופחתת). המערכת שלנו מציגה סיכון 4-6 שבועות לפני הנקודה הקריטית — מספיק זמן כדי להתאים עומס עבודה, להציע מנוחה או להקצות מחדש פרויקטים. לפי ארגון הבריאות העולמי, שחיקה היא תופעה תעסוקתית הניתנת לאבחון לפי שלושה ממדים: תשישות, ציניות, יעילות מופחתת.

איך ה-AI מבדיל בין שחיקה לעייפות זמנית?

אנו משתמשים בשילוב של סינון מבוסס כללים ומודל ML. סינון מבוסס כללים מסנן מקרים ברורים (למשל, שבוע דדליין), בעוד מודל ה-ML (Gradient Boosting על מצטברים של 4 שבועות) מזהה שילובים מורכבים של גורמים. לדוגמה, ירידה בפרודוקטיביות לצד עלייה בשעות נוספות ועומס פגישות — דפוס שחיקה טיפוסי, לא עצלנות. שיטת האנסמבל שלנו מדויקת פי 1.5 יותר מכללי סף פשוטים. בניגוד לשאלונים מסורתיים, מערכת ה-AI מזהה שחיקה 4-6 שבועות מוקדם יותר, ומאפשרת מניעת עלויות החלפה.

התאמה לקווי בסיס אישיים

אנו מאמנים קו בסיס על ההיסטוריה של העובד עצמו ב-3 החודשים הקודמים, ואז משווים דפוסים נוכחיים לנורמה האישית הזו, תוך התחשבות גם במדדי צוות. זה מבדיל בין עבודה 'שקטה' לשחיקה: במחלקת IT אחת, אדם עשוי לסגור 5 משימות ביום, באחרת — 15. המודל מתאים את עצמו להקשר — היבט מרכזי בניתוח התנהגותי למשאבי אנוש.

חישוב סיכון באמצעות ML

import pandas as pd
import numpy as np
from datetime import time

def extract_burnout_features(employee_id: str, activity_log: pd.DataFrame, calendar_data: pd.DataFrame, task_data: pd.DataFrame) -> dict:
    """ Все признаки — агрегаты за 4 недели. Никаких конкретных значений "написал X в Y" — только паттерны. """
    # Рабочее время
    work_sessions = activity_log[activity_log['employee_id'] == employee_id]
    work_sessions['hour'] = work_sessions['timestamp'].dt.hour
    after_hours_ratio = len(work_sessions[work_sessions['hour'] >= 20]) / (len(work_sessions) + 1)
    weekend_work_days = work_sessions[
        work_sessions['timestamp'].dt.dayofweek >= 5
    ]['timestamp'].dt.date.nunique()

    # Непрерывность сессий (паузы в работе)
    sorted_sessions = work_sessions.sort_values('timestamp')
    gaps = sorted_sessions['timestamp'].diff().dt.total_seconds() / 3600
    long_breaks = (gaps > 0.5).sum()
    break_regularity = np.std(gaps[gaps > 0.1].values) if len(gaps) > 5 else 0

    # Встречи
    employee_meetings = calendar_data[calendar_data['employee_id'] == employee_id]
    meetings_per_week = len(employee_meetings) / 4
    back_to_back_meetings = count_back_to_back(employee_meetings)

    # Продуктивность
    tasks = task_data[task_data['assignee_id'] == employee_id]
    tasks_created = len(tasks[tasks['event'] == 'created'])
    tasks_completed = len(tasks[tasks['event'] == 'completed'])
    completion_rate = tasks_completed / (tasks_created + 1)

    # Коммуникации
    comm_by_hour = work_sessions.groupby('hour').size()
    comm_evening_ratio = comm_by_hour[comm_by_hour.index >= 20].sum() / (comm_by_hour.sum() + 1)

    return {
        'after_hours_ratio': after_hours_ratio,
        'weekend_work_days_4w': weekend_work_days,
        'break_regularity': break_regularity,
        'meetings_per_week': meetings_per_week,
        'back_to_back_ratio': back_to_back_meetings / (meetings_per_week + 1),
        'task_completion_rate': completion_rate,
        'comm_evening_ratio': comm_evening_ratio,
        'long_breaks_per_day': long_breaks / 20
    }

תכונות אלה מוזנות לאחר מכן למודל ה-ML, שמשווה אותן לקו הבסיס האישי של העובד (הנתונים שלו מ-3 החודשים הקודמים) ולסטטיסטיקות הצוות. המודל משתמש ב-gradient boosting (XGBoost) עם טיפול בחוסר איזון מחלקות — מקרי שחיקה הם פחות, ולכן אנו משתמשים בדגימה משוקללת ובמדד F1.

פירוש תוצאות

עבור ציונים >0.6, המערכת מציגה בנוסף רשימה של 3 גורמי הסיכון המובילים (למשל, 'עומס פגישות' ו'יחס שעות אחרי העבודה') — זה עוזר ל-HR להבין מה צריך לשנות.

תהליך ההטמעה

1. ביקורת. איסוף מידע על מקורות זמינים (Slack, Jira, Git, לוחות שנה).
2. אינטגרציה. הגדרת חיבורי API, פריסת שירות איסוף הנתונים.
3. צינור נתונים. נתונים מצטברים על פני 4 שבועות, אירועים גולמיים נמחקים אחרי 24 שעות.
4. מודל. אימון קו בסיס על היסטוריית הצוות או שימוש בתבנית אוניברסלית.
5. ניטור סחיפה. בדיקה שבועית של התפלגויות תכונות, אימון מחדש אם יש סטיות.
6. לוח מחוונים. יצירת ממשק HR עם אנליטיקה קבוצתית ואישית.
7. פיילוט. הרצה על צוות אחד למשך 2-4 שבועות, ואז הרחבה.

מה כלול בתוצאה

• תיעוד ארכיטקטורה ומדדים (דיאגרמת זרימת נתונים).
• גישת API למיקרוסרוויס החיזוי.
• לוח מחוונים ל-HR עם בקרת גישה.
• מדריכי מנהל ומשתמש.
• 3 חודשי תמיכה לאחר ההשקה.

המהנדסים שלנו מחזיקים בהסמכות machine learning ויש להם ניסיון של 5+ שנים עם נתונים ארגוניים. אנו מבטיחים סודיות של כל המדדים המעובדים. סיפקנו 10+ פרויקטים של אנליטיקת HR לחברות הנעות בין 100 ל-5,000 עובדים.

קבלו ייעוץ על הטמעת המערכת — נכין פיילוט על הנתונים שלכם תוך יום אחד. פשוט שלחו את רשימת מקורות הנתונים הזמינים. הטמעה סוהר מ-8 שבועות. צרו קשר כדי לדון בפרויקט פיילוט.