Túlélés-elemzés kezdőknek a HR-ben: az idő-az-eseményig megközelítés egyszerűen
Rusznyák András
11/4/20259 perc olvasás
If you prefer to read in English, you can find this article here
Közérthető áttekintés arról, mi a túlélés-elemzés (idő-az-eseményig elemzés) és miért ad pontosabb képet, mint az átlagok vagy negyedéves ráták.
A kulcsfogalmak (esemény, induló időpont, cenzorálás, túlélési görbe, hazard ráta) matematikai részletek nélkül.
Mikor és hogyan érdemes Kaplan–Meier görbéket és Cox arányos hazard modellt használni HR-helyzetekben.
Eszközfüggetlen munkamenet, amely a meglévő HRIS/ATS adatokkal lefuttatható.
Egy részletes gyakorlati példa (új belépők korai fluktuációja) adatigénnyel, lépésekkel és döntési pontokkal.
FONTOS MEGJEGYZÉS:
Generatív MI segítségét is igénybe vettük a cikk elkészítésében.
A felvétel, megtartás, beilleszkedés vagy mobilitás mind időzítésről szól. A legtöbb HR-kérdés nem (csak) az, hogy „hányan?”, hanem az, hogy „mikor?”
Mikor hagyják el leggyakrabban a céget az új belépők?
Milyen gyorsan töltünk be egy pozíciót?
Mennyi idő alatt éri el a munkavállaló a teljesítményküszöböt?
A hagyományos mutatók (átlagok, negyedéves ráták) elmossák az időzítést, és kidobják a hiányzó eseményeket. A túlélés-elemzés ezzel szemben megtartja az idődimenziót egyénenként és helyesen kezeli azokat, akiknél még nem következett be az esemény (pl. még a cégnél van; a pozíció még nyitott). Az eredmény: tisztább insight és célzottabb beavatkozás — ugyanabból az adatból.
Miért fontos ez most?
Túlélés-elemzés közérthetően
Esemény
Az, ameddig az időt mérjük: felmondás, első előléptetés, képzésbefejezés, visszatérés szabadságról, pozíció betöltése.
Induló időpont (T0)
Amikor ketyegni kezd az óra: belépés napja, req megnyitásának napja, program kezdete, távollét kezdete.
Cenzorálás (jobbra cenzorálás)
Sok „megfigyelésnél” a vizsgálat végéig nem történik meg az esemény (pl. a munkavállaló még nem lépett ki). Őket nem dobjuk ki, hanem „cenzoráltnak” jelöljük — ez a módszer egyik fő erőssége.
Túlélési függvény, S(t)
Annak valószínűsége, hogy az esemény még nem következett be t időpontig (pl. „az új belépők hány százaléka van még nálunk a 180. napon”).
Hazard ráta, h(t)
Az azonnali kockázat t időpontban, feltéve, hogy addig még nem történt esemény (pl. „8. héten mekkora a kilépés kockázata azoknál, akik addig maradtak”). A hazard görbe felfedi a kockázati csúcsokat (onboarding hetek, próbaidő vége, vezetőváltás).
Korai fluktuáció: idő a felmondásig az első 6–12 hónapban.
Betöltési idő (TTF): napok a req megnyitásától az ajánlat elfogadásáig.
Beillesztési rámpa: idő az első produktív mérföldkőig vagy minősítésig.
Belső mobilitás: idő az első előléptetésig/átlépésig.
Visszatérés munkába: idő a távollét kezdetétől a tényleges visszatérésig.
Módszerek, amelyek segítenek
1) Kaplan–Meier (KM) görbék — leíró erő
Kimenet: görbe csoportonként (pl. csapat, lokáció, vezetői támogatás szintje), amely mutatja az idő függvényében a „benn maradók” arányát.
Mit tanulsz: mikor történik a legtöbb esemény (medián idő), és mely csoportok térnek el egymástól.
Statisztika: log-rank teszttel ellenőrizheted, hogy a görbék eltérnek-e szignifikánsan.
2) Cox arányos hazard (Cox PH) — a miért feltárása
Kimenet: hazard arányok (HR) magyarázó változónként (pl. HR=1,40 → 40%-kal magasabb kockázat időben, minden mást változatlannak véve).
Mit tanulsz: mely tényezők növelik/csökkentik a kockázatot a többi tényező kontrollja mellett.
Feltétel: arányos hazardok (a relatív kockázatok időben nagyjából állandók). Ezt ellenőrizheted maradék-diagnosztikával vagy idő-interakciókkal.
3) Mikor lépj túl a KM/Cox pároson?
Parametrikus modellek (Weibull/Exponenciális) kis mintákra vagy közvetlen időbecsléshez.
Időben változó kovariánsok (pl. vezetőváltás dátuma, beosztásváltás).
Versengő kockázatok (pl. önkéntes vs. nem önkéntes kilépés; belső átlépés „versenyez” a felmondással).
Gyakorlati példa: Új belépők korai fluktuációja az ügyfélszolgálaton
Üzleti kérdés
A 0–180 napos önkéntes kilépési arány 9%-ról 14%-ra nőtt. Tudnunk kell, mikor a legnagyobb a kockázat és mi hajtja, hogy célzott onboarding-lépésekkel be tudjunk avatkozni.
Esemény & ablak
Esemény: első önkéntes felmondás.
T0: belépés napja.
Cenzor: elemzési snapshot 210 napnál mindenkinél, vagy bármely nem önkéntes kilépés (a példában külön kezeljük).
Szükséges adatok
Alap: dolgozó ID, start_date (T0), voluntary_exit_date (ha van), snapshot_date (cenzor), csapat, telephely, műszak (nappal/este/éj), beosztás-volatilitás (heti óraszórás), 3. heti vezetői támogatás (1–5), bérsáv, volt-e korábbi belső tapasztalat (igen/nem).
Opcionális, időben változó: vezetőváltás dátuma, beosztásváltás dátuma.
Lépések
Leíró KM
KM görbék műszakonként és vezetői támogatási szint szerint (≤2,5 vs. ≥3,5).
Eredmény: a 180. napnál az éjszakai műszak és az alacsony támogatás „túlélési” aránya alacsonyabb; log-rank teszt: különbség szignifikáns.
Üzenet a vezetőknek: a kockázat 6–10. héten csúcsosodik → ekkor kell sűrűbb 1:1, buddy-shadowing, első projekt.
Cox-modell (okok, kontroll alatt)
Kovariánsok: műszak, vezetői támogatás kategória, beosztás-volatilitás (folytonos), bérsáv, korábbi belső tapasztalat, telephely fix hatások.
Értelmezhető eredmények (illusztratív):
Éjszakai műszak HR=1,55 (≈55% magasabb kockázat, p<0,01).
Alacsony támogatás HR=1,40 (40% magasabb kockázat, p<0,05).
Beosztás-volatilitás HR=1,20 / SD (20% magasabb kockázat SD-nként, p<0,05).
Korábbi belső tapasztalat HR=0,78 (22% alacsonyabb kockázat, p<0,05).
PH-ellenőrzés rendben.
Következtetés: fókusz műszaktervezésen, vezetői érintéseken és stabil ütemezésen, főleg külső új belépőknél.
Beavatkozás-terv (preskriptív playbook)
5–10. hét program: kötelező heti 1:1, buddy-shadowing, kis léptékű célok visszajelzéssel.
Ütemezés: heti óraszórás plafon az első 8 hétben; műszakcseretár az éjszakaiaknak.
Vezetői enablement: „korai jelek & beszélgetések” mikrotananyag + ellenőrzőlista.
Célzás: új belépők, akik éjszakai műszakosak vagy támogatás ≤2,5 vagy magas volatilitás az első 2 hétben.
Hatás & ROI keretezés
Konzervatív 15% hazard-csökkenés mellett a 6 hónapos fluktuáció ~14%-ról ~12%-ra eshet.
400 fős kohorszban ez ~8-cal kevesebb lelépő.
Ha a pótlás + onboarding költsége 8 000 € / fő, az ~64 000 € elkerült költség — nagy valószínűséggel fedezi a buddy-időt és a vezetői coachingot.
Értékelés
Lépcsőzetes bevezetés (két telephely először) matched control-lal vagy egyszerű A/B-vel belépési hónap szerint.
KM görbék előtte/utána és Cox HR változások; másodlagos mutatók: ügyfélminőség/QA, ütemezési szórás, lezárt 1:1-ek.
Mit kapsz ebből
Mire jó a HR-ben (már ma)
Minimális adatkészlet
Egyedi azonosító: munkavállaló vagy requisition.
T0 dátum: belépés / megnyitás.
Esemény flag + dátum: önkéntes felmondás / ajánlat elfogadása / előléptetés dátuma.
Cenzor dátum: elemzési pillanatkép vagy más ok miatti kilépés dátuma.
Magyarázó változók (opcionális): csapat, vezető, lokáció, szint, műszakrend, bérsáv, engagement pontszám, vezetőváltás, korábbi belső tapasztalat, csatorna (ügynökség vs. direkt).
Gyakorlatban: Egy sor = egy dolgozó (vagy req). Oszlopok: t0, event_date (ha nincs, üres), censor_date. Időben változó jellemzőket csak indokolt esetben alakíts „időszakos” formára (pl. heti/havi „személy-időszak” sorok).
Eredmények értelmezése (hogy döntés is szülessen)
Medián idő: „Az új belépők fele még 280 napnál is nálunk van” — ez cselekvésre fordíthatóbb, mint egy negyedéves fluktuációs arány.
Hazard csúcsok: „A kockázat a 6–10. hét között ugrik meg” → időzített playbook (buddy, shadowing, első projekt, heti 1:1-ek).
Hazard arányok: „Éjszakai műszak HR=1,6” → fókusz a beosztás-stabilitáson, nem általános engagement-kampányon.
Üzleti érték: a kockázatcsökkenés €-ban is kimutatható (elkerült toborzási/onboarding költség) — ez költségvetési érvet ad.
Tipikus buktatók (és elkerülésük)
Adatszivárgás: esemény UTÁNI információ (pl. kilépési interjú) bevitele a modellbe. Csak előzetesen ismert adatot használj.
T0 következetlenség: kevert „óraindítás” (néha szerződés, néha belépés) összemossa az értelmezést. Standardizáld.
Immortal time bias: olyan „expozíció” (pl. tréning), ami T0 után történik → időben változóként kezeld, vagy korlátozd az elemzési ablakot.
Események keverése: önkéntes + nem önkéntes kilépés együtt → jel gyengül. Válaszd szét vagy használj versengő kockázatot.
Kicsi minták / túlszeletelés: inkább egyben modellezz, fix hatásokkal (pl. telephely), mint sok apró csoportban.
PH feltételezések megszegése: ha a görbék kereszteznek, adj idő-interakciót vagy használj rétegzett/parametrikus formát.
Eszközfüggetlen kivitelezés (gyors út)
Szereplők
HR Analitika (vezető), TA/HR Ops (adatgazdák), HRBP/vezetők (kontextus), C&B (bérsávok), Jogi/Adatvédelem (gdpr, kockázat)
Munkamenet
Döntési kérdés tisztázása: mely esemény, milyen időablak, magas kockázatnál ki, mit, mikor tesz?
T0 és esemény definíciója; versengő események szétválasztása.
Adatösszeállítás: HRIS/ATS + kovariánsok; censor_date = snapshot.
Leíró KM görbék; csoportkülönbségek tesztelése.
Cox modell; feltételek ellenőrzése.
Fordítás akcióra: triggerek, playbookok, tulajdonosok, ritmus.
Lift mérése: baseline/korábbi kohorsz összehasonlítás.
Eszközök (választható)
Excel/BI: KM-közelítések, kommunikációs grafikonok.
R: survival, survminer.
Python: lifelines, scikit-survival.
SPSS/Stata/SAS: beépített survival eljárások, szabályozott környezetekhez.
Miért működik
A túlélés-elemzés megmutatja, mikor csúcsosodik a kockázat (időzítés), kinél érdemes beavatkozni (hajtóerők), és mit célszerű tenni (kockázatmintához illesztett akciótervek). Minden érintettet bent tart az adatban — így nem torzít az, hogy valakinél még nem következett be az esemény.
Lényeg a vezetőknek
Az időzítés számít: a túlélés-elemzés a durva becsléseket időérzékeny insighttá fordítja.
KM: „mikortól és kinél” → Cox: „miért és mennyivel”.
Az eredményt konkrét playbookká alakítsd tulajdonosokkal; fusson pilot; mérd a liftet.
Etika & minőség: válaszd szét az önkéntes és nem önkéntes kilépést; ne használd post-event adatot; nézd a fairness-t csoportok szerint.
Nem kell új platform: tiszta adatok + egyszerű modellek + fegyelmezett bevezetés gyakran többet ér a komplexitásnál.
Köszönjük, hogy elolvastad ezt az cikket. Kövess minket a közösségi médiában, hogy ne maradj le a legfrissebb cikkekről!
Olvastad már a többi cikkünket? Irány a Tudástér
Kérdésed vagy megjegyzésed van? Lépj velünk kapcsolatba
