Кейс: Как предсказать эффективность сотрудников в кол-центре при подборе

Таким образом, инвестиции в Иннокентия выведут его на уровень нижней границы результатов Григория.

Сейчас я не буду давать математических расчетов, просто примерьте на свою рабочую ситуацию.

Как часто вы инвестируете в локальные корректировки сотрудников и сколько из этого времени досталось Григорию?

Как определить на этапе найма, у нас Иннокентий или Григорий проходит собеседование?

Компания работает в сфере услуг. В компании есть кол-центр численностью 30 человек, которые принимают входящие звонки. Цель звонка — запись на визит в офис компании. Необходимо найти факторы, с помощью которых можно предсказать будущую эффективность сотрудника. 

Инструмент для исследования — линейная регрессия.

Имена сотрудников, а также значимые данные были переименованы, т.к. попадают под NDA.

В ходе подготовки исследования подготовил два набора данных. Статистика по звонкам каждого сотрудника кол-центра. Умышленно здесь не буду приводить описание всего процесса подготовки.  Отмечу, что в ходе подготовки набора данных мною были созданы дополнительные переменные — процесс называется “Feature engineering”.

Feature engineering — процесс создания дополнительных полезных переменных. 

У вас есть

• звонки в кол-центре в штуках,

• оборот по каждому сотруднику в рублях.

Чтобы сравнить сотрудников, вы можете создать дополнительную переменную — оборот в рублях / количество звонков.

Таким образом вы сможете сравнить сотрудников по эффективности. Такую метрику мне подсказал Никита Шейн из IT-Agency. 

Второй этап — подготовка категориальных данных по сотрудникам. С помощью таких данных как

• возраст,

• опыт работы,

• время до работы

мы попробуем найти факторы, влияющие на эффективность сотрудника. Привожу итоговый список переменных.

Количественные данные по сотрудникам:

• среднее время звонков,

• количество записей,

• сумма продаж,

• город как источник звонка,

• средний чек = сумма продаж / количество,

• среднее время звонка = сумма разговоров / количество успешных входящих звонков,

• запись на звонок = отношение количества записей к количеству звонков,

• оборот на звонок = отношение суммы записей к количеству звонков,

• возрастная группа = группы сотрудников в диапазоне от 20 — 30 лет, 30 — 40 и 40 — 60 лет.

Категориальные данные по сотрудникам:

• возраст,

• коммуникационный тест DISC,

• источник привлечения HH.ru или друзья / знакомые,

• время до работы,

• опыт работы в продажах до устройства в компанию,

• удаленность от работы в минутах.

Для сотрудников я провел тестирование по DISC типологии. Цель тестирования —обогатить категориальные данные исследования и проверить мою гипотезу, что группа с высоким «I» стилем будет иметь связь с результатами по продажам.

Ниже привожу описание каждого стиля. Нижняя часть круга — люди, более склонные к контактам и коммуникации, верхняя — люди, более склонные к логическим суждениям и фокусирующиеся на задачах.

В итоге такого тестирования у меня получились следующие данные:

Петя — D: 18, I: 4, C: 3, S: 2.

Чтобы избежать переобучения при построении модели перевел данные в следующие вид:

Петя — D: высокий, I: низкий, С: низкий, S: низкий.

В качестве целевой переменной для анализа выбрал оборот на звонок. Хороший показатель, чтобы оценить сотрудника кол-центра. Он содержит в себе информацию о качестве принимаемых звонков. Такой показатель, как средний чек, содержит в себе информацию о том, как дорого продает сотрудник, и сейчас нам не подходит.

Перед построением модели провел нормирование данных, т.к. гистограмма распределения оборота на звонок имела ненормальное распределение.

Модель построил в R-studio с помощью линейной регрессии. Благодаря регрессии можно получить интерпретацию исследуемых факторов. Теперь рассмотрим статистическую выкладку по модели. Часть данных я не могу раскрыть, поэтому они затерты красным. Объект интереса — первые 4 фактора. Выделил в красную рамку.

Таким образом, мы получили 4 значимых фактора, на основе которых можем предсказать, будет сотрудник более эффективен или менее в должности в разрезе показателя «оборот на звонок». Далее разберу еще одни показатель, который поможет укрепить мысль о важности системных действий в управлении.

Показатель “talktime” — время разговора с клиентом. Чем выше время разговора с клиентом у оператора, тем выше оборот на звонок. 

Ниже на графике видим линейную зависимость, которая подтверждает результат. Данные по всей команде операторов. По оси X — среднее время разговора, Y — нормализованный оборот на звонок.

Руководителю будет полезно искать системные причины для управления результатами деятельности своей команды, подразделения, бизнес единицы. 

Выше я привел один из простых примеров анализа. Анализ можно углубить и расширить, используя более сложные методы машинного обучения. 

Мы выяснили, что можно подбирать персонал в кол-центр на основе методов машинного обучения и DISC типологии. Хотя я и не привел достаточных цифровых показателей добавленной стоимости внедрения такого метода. Такой расчет — это индивидуальная задача под каждую компанию.