​​Новые HR-метрики: λ (лямбда) и k
Очередной программный пост. Ну можно сказать, что Бабушкин решил поизвращаться. Да, извращение присутствует, но практическая польза тоже.
Текучесть персонала описывается распределением Вейбулла. Валоди Вейбулл — шведский инженер, разработавший распределение, которое применялось для описания износа материалов и надёжности систем. Суровая правда и лайфхак: «износ» людей в компании подчиняется тем же законам, что и износ деталей. Как и у машин, у людей в компаниях есть вероятность “отказа”. И она подчиняется законам Вейбулла
Примеры на диаграмме. По оси X – стаж работы в компании, ось Y – частота увольнений.
Распределение Вейбулла описывается двумя параметрами:
🔹 λ (лямбда) — параметр масштаба
• Да, λ измеряется в тех же единицах, что и стаж (в месяцах, днях, годах — как задашь).
• Это масштаб распределения: чем выше λ, тем дольше в среднем "живёт" сотрудник.
• Но: λ не равна медиане, хотя при k≈1 они действительно очень близки.
👉 В интерпретации HR:
λ ≈ "типичный срок работы сотрудника", то есть центр тяжести распределения.

🔹 k (коэффициент формы) — определяет форму кривой
• k < 1 → "ранняя смертность", большинство увольняется сразу (проблемы адаптации).
• k = 1 → экспоненциальное распределение: одинаковый шанс уйти в любой момент.
• k > 1 → «стареющее» распределение: риск ухода увеличивается со временем (выгорание, потолок, стагнация).
👉 Это своего рода психологический контур текучести: как она проявляется во времени.

🏆🎁Нахрена это вообще надо?
Кратко:
1. Характер распределения
2. Чувствительность
3. Нормализация и бенчмарк
4. Прогнозирование
✅Характер распределения: осталось мало компаний, которым интересен только показатель текучести персонала. Практически все отслеживают раннюю текучесть. Распределение Вейбулла наиболее полно отражает это распределение

✅Чувствительность: мы запустили новую программу адаптации, и λ (лямбда) и k – самые чувствительные и быстрые показатели, схватывающие изменения. Например, у нас k до запуска был 0, 4, а спустя полгода 0, 7. На уровне коэффициента текучести персонала мы можем вообще не заметить эффекта, но k нам уже сигнализирует об изменениях.

✅Нормализация: Например, один отдел маленький, другой огромный. У них разная "весовая категория". Сравнивая k и λ, можно корректно сравнивать паттерны текучести без искажения от размера. Бенчмарк по рынку становится корректным.

✅Прогнозирование: Weibull-модель позволяет аппроксимировать кривую риска ухода, прогнозировать отток в будущем (через 3, 6, 12 месяцев), симулировать влияние изменений зарплат, условий и т. д.

Для расчета λ (лямбда) и k нужны стандартные данные учета персонала: кто когда устроился, и кто когда ушел.

🏆Краткое резюме:
λ и k — это «кардиограмма» текучести.
Не просто “сколько людей ушло”, а когда, почему и как меняется риск ухода со временем.
Эти параметры:
раньше сигналят о проблемах,
различают типы текучести,
позволяют измерять эффект HR-решений,
делают корректным бенчмарк текучести
и строят прогнозы поведения сотрудников.

Напоминаю про свою услугу Автоматизация расчета текучести

Понравился пост? Порекомендуй
Телеграм канал HR-аналитика коллегам и друзьям