هل يمكن للنظام أن يتوقع استقالة موظف قبل أن يقررها هو نفسه؟

في بيئات الأعمال الحديثة، نادراً ما تكون استقالة الكفاءات والكوادر المؤهلة حدثاً مفاجئاً أتى من العدم؛ بل هي تتويج لمسار تراكمي من الإشارات والمؤشرات الخفية التي تتشكل عبر أشهر طويلة. غير أن إدارة الموارد البشرية التقليدية دأبت على التعامل مع هذه الظاهرة عبر أسلوب رد الفعل، حيث تقتصر أدواتها على إجراء مقابلة المغادرة (Exit Interview) بعد أن يكون الموظف قد اتخذ قراره النهائي وصاغ كتاب استقالته بالفعل.

ومع تطور تحليلات الأفراد (People Analytics) وانتشار تقنيات التعلم الآلي (Machine Learning)، يطرح قادة الموارد البشرية السؤال الأكثر إثارة للجدل: هل يمكن لأنظمة البيانات اكتشاف إشارات مبكرة تنبئ باحتمالية استقالة الموظف قبل أن يتبلور هذا القرار في ذهنه بوضوح؟

تثبت الأدبيات والأبحاث التطبيقية المتقدمة أن الإجابة هي نعم؛ فالخوارزميات الذكية قادرة على رصد الأنماط السلوكية والتنظيمية المركبة التي تسبق قرار المغادرة. غير أن القيمة الحقيقية لهذه التقنية لا تكمن في قدرتها التنبؤية المجردة، بل في كيفية تحويل هذه التنبؤات إلى قرارات إدارية إنسانية ومسؤولة تحمي رأس المال البشري وتعزز الاستقرار التنظيمي.

تعتمد أنظمة التنبؤ بمعدلات دوران العمل والحد من الاستقالات على فحص السجلات التاريخية للمؤسسة، وتطبيق خوارزميات التصنيف الإحصائي والتعلم الآلي المتطورة—مثل غابات القرار العشوائية (Random Forest)، وتعزيز التدرج (Gradient Boosting)، وخوارزمية XGBoost، والانحدار اللوجستي. وتقوم الخوارزميات بتحليل عشرات المتغيرات للربط بين الخصائص السلوكية واحتمال المغادرة.

وترصد النماذج التنبؤية مجموعة محددة من الأنماط الأكثر حساسية وتأثيراً: 1) ساعات العمل والجهد الإضافي: يُعد العمل الإضافي أقوى المؤشرات التنبؤية؛ حيث تظهر البيانات أن معدل الاستقالة بين الموظفين الذين يعملون ساعات إضافية يصل إلى 29.2%، مقارنة بـ 5.0% فقط لمن لا يكلفون بساعات إضافية. 2) الهيكل المالي: ارتباط انخفاض الأجر الشهري وخيارات الأسهم بارتفاع المخاطر. 3) الرضا الوظيفي: قياس مؤشرات بيئة العمل وصافي المعاملات الصافية للتوصية (tNPS). 4) المسار المهني: فترات الركود منذ آخر ترقية وعدد سنوات العمل في نفس الدور. 5) العوامل اللوجستية: مسافة السكن عن العمل وتكرار سفريات المهام.

إن التحول من البيانات الخام إلى أداة دعم قرار إداري يمر بمسار تحليلي مترابط يتكون من أربع مراحل أساسية: 1) اكتشاف الإشارات: جمع البيانات الهيكلية والتشغيلية الصادرة من أنظمة الموارد البشرية وتوحيدها لرصد التغيرات الدقيقة في سلوك ونشاط الموظف. 2) التنبؤ بالاحتمالية: تقييم احتمالية الاستقالة كمؤشر رقمي مركب بين (0 و1) أو نسبة مئوية تعبر عن درجة الخطورة. 3) تشخيص الأسباب الجذرية: استخدام تقنيات الذكاء الاصطناعي القابل للشرح (Explainable AI - XAI) لتفكيك النموذج وتحديد المتغيرات المحددة التي رفعت درجة الخطورة (مثل الجمع بين العمل الإضافي وتباعد الترقيات). 4) دعم قرار الموارد البشرية: تقديم الرؤية التفسيرية إلى مدير الموارد البشرية عبر أنظمة الإنذار المبكر (EWS) بمؤشرات ملونة (RAG) لتصميم تدخل استباقي فعال.

الحقيقة الحاسمة: التنبؤ ليس حتمية سلوكية والنموذج لا يقرأ العقول؛ بل هو حساب لتشابه البروفايل الراهن مع من استقالوا تاريخياً في نفس الظروف. لذلك يعتمد النجاح على نموذج 'الذكاء الاصطناعي المعزز للإنسان' (Human + AI)؛ فالخوارزمية تقدم البصيرة الكمية، بينما يتولى القائد البشري فهم السياق الاجتماعي والنفسي واتخاذ القرار النهائي.

لتكون التحليلات التنبؤية ذات قيمة حقيقية، يجب أن تخضع لحوكمة فنية وأخلاقية صارمة: 1) جودة البيانات: تنظيف المدخلات وتوحيد الترميز (One-Hot Encoding, UTF-8) لمنع المخرجات الفاسدة. 2) التحقق الفني والدقة: تقييم النماذج بمصفوفات دقيقة تشمل ROC-AUC؛ حيث سجلت Gradient Boosting وXGBoost دقة 0.86 إلى 0.945 AUC، وسجلت Random Forest قيماً بين 0.89 و0.902 AUC. 3) معالجة عدم توازن الفئات: استخدام تقنيات SMOTE وADASYN لضمان عدم إغفال فئة المستقيلين ورفع قدرة الاستدعاء (Recall). 4) الذكاء القابل للشرح: تطبيق قيم SHAP وLIME لكشف الأسباب بشفافية. 5) الخصوصية والحد من التحيز: تدقيق دوري يمنع المراقبة المفرطة أو التمييز ضد فئات محددة.

مخاطر الاستخدام الخاطئ: إن أسيء استخدام التنبؤ، فقد يتحول لأداة ضارة من خلال: وصم الموظف (Stigmatization) بملصق 'مستقيل محتمل' مما يخلق 'نبوءة تحقق ذاتها'، أو اتخاذ قرارات عقابية مبتسرة كحرمان الموظف من الترقيات والمشاريع، أو تدمير الثقة والولاء التنظيمي نتيجة الشعور بالمراقبة الخوارزمية الجائرة.

إن التنبؤ بالاستقالات فلسفة قيادية لتعزيز الاستماع المؤسسي ومعالجة ظروف العمل الإجهادية وتقدير الكفاءات قبل فوات الأوان. وتضمن منظومة Inspira One HCM من Tidal توفير أدوات التحليل الذكية ضمن أطر حوكمة رصينة تحمي الاستقرار التنظيمي.