Machine learning · Explainability · 2026
HR analytics sul turnover
Perché i dipendenti se ne vanno? Feature engineering sui log dei badge, sei classificatori a confronto e SHAP per trasformare il modello in azioni per l'HR.
Il problema
Un’azienda di circa 4.000 dipendenti ne perde il 15% ogni anno. L’obiettivo è stimare la probabilità di abbandono e capire su quali fattori l’HR può intervenire per primi.
Cosa ho costruito
- Un unico dataset ricavato da cinque fonti: anagrafica, survey dei dipendenti, survey dei manager e log di entrata e uscita.
- Feature comportamentali ricavate dai log orari grezzi: ore medie al giorno (
HoursPerDay), la serie più lunga di assenze consecutive (LongestAbsence) e la frequenza di turni iniziati o finiti in orari insoliti (WorkOffHours). - Sei classificatori a confronto (regressione logistica, SVM, KNN, albero decisionale, random forest, XGBoost), guardando precision, recall e F1 perché le classi sono sbilanciate.
- SHAP per aprire la scatola nera. Più ore lavorate fanno salire nettamente il rischio, e lo stesso vale per età più giovane, meno esperienza e un rapporto breve con il manager attuale. Le assenze lunghe sono risultate marginali.
Risultati
Il risultato principale sono le evidenze SHAP descritte sopra. Nel notebook i modelli ad albero ottengono i punteggi più alti, ma non riporto qui la loro accuracy finché la validazione non sarà ricontrollata.