SAP SuccessFactors Workforce Analytics&Planning（WFA&P）提供了一套分析和规划功能，以简化对人力资本管理（HCM）多个不同来源数据的访问。WFA&P由嵌入式智能（报告设计器、特别报告等）、劳动力分析（标题、基准等）和劳动力规划（预测、风险分析等）组成。它可以回答诸如"营业额是一个问题吗？"，"什么类型的员工倾向于自愿离职？"，以及"谁是损失影响最大的前10名员工会离职？"

WFA&P正致力于通过预测分析扩展其分析和规划能力，为各种HCM主题提供更多见解。预测分析功能将在现有分析功能的基础上添加"为什么"和"如何"方面，例如回答"营业额的关键驱动因素是什么？"，以及"什么能让这些员工留下来？"

其中一个热门话题是自愿离职（或员工外逃风险），当员工决定自己离开公司时。与客户流失预测（customer cross prediction）一样，它预测客户取消企业提供的服务的可能性，员工外逃风险（employee flight risk）预测员工自愿离职的可能性，方法是将离职员工的详细信息与自行离职员工的详细信息进行比较和对比，

飞行风险预测利用两个信息来源-员工人数和自愿离职。员工人数是指在报告期结束时实际雇佣的人数，返现是什么意思，自愿离职是指自愿离职的员工人数。

员工详细信息由一组劳动力维度表示，好评返现，提供员工的360度视图。这些维度按类别组织，如人口统计学（年龄、性别、残疾、种族等）、薪酬（工资、股票期权等）、发展（关键职位、绩效评级、潜力评级等）、就业（职位类别、员工级别、就业水平、职等）、继任（关键职位、继任评级、，继任者准备度等）和任期（职等任期、组织任期、职位任期、职等时间等）

将SAP自动预测库（APL）用于预测算法和数据挖掘环境是解决飞行风险预测的一种方法。APL是基于VC维和结构风险最小化的概念，以保持模型的简单性和鲁棒性。它采用岭回归，一种非参数算法，以尽量减少需要作出假设的数据分布。它的数据挖掘环境有助于自动调整参数和选择模型，将用户从手动执行这些任务中解放出来。

提取历史编制数据以创建模型并将该模型应用于当前员工编制数据的过程已经自动化，如图1所示。

图1。图解说明创建和应用带有相关输入数据和模型输出的飞行风险预测的自动化方法的步骤。

许多因素影响预测模型的质量。两个基本因素是属性大小和记录大小。如果属性的数目很小，那么模型很可能是有偏差的。此外，如果记录的数量很小，方差可能太大，大数据运维，无法将一个结果与另一个结果分开。因此，拥有足够数量的属性和记录对于创建高质量的预测模型至关重要。

在开发过程中，我们从预测能力的角度研究了使用的属性数量与预测性能之间的关系，也就是预测准确度：正确预测与记录总数的比率。我们发现，预测能力与创建模型时使用的属性数量一致。

本分析所用的数据来自各个行业的WFA&P客户，按前面描述的劳动力类别进行组织。如图2所示，这些客户的可用属性和记录差别很大。在每个单元格中，从0到1的比率表示给定属性类别可用的属性数量。1.00表示客户拥有该类别中的所有属性，0.0表示客户没有该类别中的属性。例如，客户1拥有所有的人口统计和薪酬属性，但没有任何继任者属性。

图2。代表客户类别使用属性数量的比率热图。

正如预期的那样，模型的质量受用于创建预测模型的属性数量的影响。如图3所示，由颜色和阴影表示的预测能力与用于创建模型的属性数量基本一致。

图3。对比热图显示属性比率和预测能力之间的一致性。

除了模型质量之外，预测分析应用程序的另一个重要质量度量是其提供易于理解的见解的能力。在APL中，见解被表示为影响者。如图4所示，给定样本客户的预测模型的影响因素包括等级（"等级带"）、组织任期、绩效评级和工作职能（"职能视图L3"）。其中，淘客商城，等级对员工离职决策的影响最大，其次是组织任期等。

图4。显示相对预测贡献的影响者条形图。

通过检查每个影响者的类别，可以进一步完善这些见解，其中类别是给定影响者可以拥有的值。例如，绩效评级的类别包括"高绩效"、"中绩效"、"低绩效"和"未评级"。如图5所示，"低绩效"和"未评级"类别对飞行风险有正面影响；而"中等绩效"或"高绩效"类别对飞行风险有负面影响。换句话说，表现较差的员工离职的可能性较大，而表现中等或高的员工离职的可能性较小。影响者类别的条形图显示出相对的正面和负面影响。