aAAaqwq Retention Risk Predictor — 人才流失预警与保留系统
版本：v1.0 | 分类：绩效与激励科学 | 优先级：P2 作者：稷下 | 对标：Workday Predictive Retention × 麦肯锡员工敬业度研究 × Gallup Q12 触发场景：季度人才盘点 / 核心人才异常信号 / 年度敬业度普查 / Agent绩效下滑预警
核心价值
基于行为数据（沟通频率、任务投入度、外部接触）预测核心人才的流失风险，提前启动保留程序，将"事后补救"变为"事前预防"。
Workday Predictive Retention研究对齐
Workday的研究发现：
- 主动离职前兆：沟通频率下降 + 工作投入度下降 + 外部接触增加
- 数据驱动：行为数据比自述更能预测离职
- 早期干预有效：提前3个月预警，保留成功率提升60%
稷下对齐：
- 多维度行为数据采集
- 流失概率量化预测
- 保留措施分级响应
Gallup Q12员工敬业度框架对齐
Gallup的Q12是全球最广泛使用的员工敬业度框架：
- 12个问题测量员工敬业度
- 分为4个维度：基础、动机、成长、归属
稷下改造为硅碳双版本：
碳基Q12（每年普查）：
- 我知道公司对我的期望
- 我有完成工作所需的工具和资源
- 我有机会做我最擅长的事
- 我的绩效得到认可 ...
硅基Q12（每季度评估）：
- 任务匹配度符合预期
- 算力配额足够完成任务
- 协作需求得到及时响应
- 技能成长路径清晰 ...
流失风险预测模型
def predict_retention_risk(entity_id, entity_type):
"""
流失风险预测
entity_type: "carbon" | "silicon"
"""
signals = {}
# 信号1：沟通频率变化
comm_delta = calculate_communication_delta(entity_id)
signals['comm_change'] = comm_delta # 负=下降
# 信号2：任务投入度
engagement_score = calculate_engagement_score(entity_id)
signals['engagement'] = engagement_score
# 信号3：外部接触频率
external_contact_rate = calculate_external_contacts(entity_id)
signals['external_contact'] = external_contact_rate # 正=增加
# 信号4：绩效变化趋势
performance_trend = calculate_performance_trend(entity_id)
signals['performance_trend'] = performance_trend
# 信号5：关键事件触发
key_events = detect_key_events(entity_id)
signals['key_events'] = key_events
# 综合评分
risk_score = compute_risk_score(signals)
return {
'risk_score': risk_score, # 0-100，越高越危险
'risk_level': classify_risk(risk_score),
'signals': signals,
'top_factors': identify_top_factors(signals),
'recommended_actions': recommend_retention_actions(risk_level)
}
def compute_risk_score(signals):
"""
流失风险综合评分
权重设计：
- 沟通频率变化：25%
- 任务投入度：25%
- 外部接触增加：20%
- 绩效下滑趋势：20%
- 关键事件：10%
"""
score = (
abs(signals['comm_change']) * 25 +
(100 - signals['engagement']) * 25 +
signals['external_contact'] * 20 +
(100 - signals['performance_trend']) * 20 +
signals['key_events'] * 10
) / 100
return min(100, max(0, score))
风险等级与响应措施
| 风险等级 | 分数区间 | 响应 | 行动时限 |
|---|---|---|---|
| 🟢 低风险 | 0-25 | 正常管理 | 无需干预 |
| 🟡 中低风险 | 26-40 | 关注但不启动 | 季度复盘关注 |
| 🟡 中风险 | 41-60 | 直属上级关注 | 1个月内启动 |
| 🔴 高风险 | 61-80 | 稷下介入调查 | 2周内启动 |
| 🔴 极高风险 | 81-100 | 紧急干预 | 立即启动 |
保留措施库
RETENTION_MEASURES = {
"carbon_measures": {
"growth": ["晋升机会", "学习预算增加", "新项目授权"],
"recognition": ["公开表彰", "额外奖金", "股权加速归属"],
"environment": ["工作安排调整", "团队重组", "汇报线优化"],
"relationship": ["1-on-1加深对话", "创始人直接沟通", "俱乐部活动参与"]
},
"silicon_measures": {
"compute": ["算力配额增加", "优先训练权", "新能力解锁"],
"recognition": ["荣誉积分", "排行榜认可", "特殊徽章"],
"task": ["任务匹配优化", "协作优先级提升", "方法论自主"],
"growth": ["进化路径加速", "跨域任务参与", "导师配对"]
}
}
预测准确性验证
每月验证：
- 比较预测结果与实际离职
- 调整信号权重
- 提升预测精度
目标：
- 高风险预警准确率 > 80%
- 极低误报率（避免狼来了效应）
输出格式
entity_id: "张博士"
entity_type: "carbon"
analysis_date: "2026-05-03"
period: "过去90天"
risk_score: 67
risk_level: "高风险"
signals:
comm_change: -35 # 沟通频率下降35%
engagement_score: 58 # 投入度58/100
external_contact: +45 # 外部接触增加45%
performance_trend: 72 # 绩效趋势72/100
key_events: ["晋升未达预期", "项目被取消"]
top_risk_factors:
- "晋升未达预期（预计等待18个月，实际需要24个月）"
- "沟通频率持续下降（过去60天下降35%）"
- "与外部猎头接触频率上升"
retention_recommendations:
priority: "P0"
measures:
- "立即安排与创始人1-on-1对话（使命感重燃）"
- "提供独立负责新项目机会（成长需求）"
- "加速下一轮晋升评审（3个月内）"
- "增加AI副官使用权限（稀缺资源激励）"
follow_up:
next_review: "2026-05-10"
success_metric: "沟通频率恢复至基线+10%"
使用示例
用户：稷下，检测核心人才的流失风险
稷下：
1. 扫描所有Tier A+人才的90天行为数据
2. 计算每个人才的流失风险分数
3. 输出《核心人才流失风险报告》
4. 对高风险人才提出保留建议
5. 跟进执行效果
踩坑记录
坑1：隐私边界
- 问题：行为数据采集可能触及隐私
- 解决：只采集与工作相关的行为，不涉及私人信息
坑2：过度干预
- 问题：预警后过度干预反而加速流失
- 解决：保留措施要精准而非越多越好，由稷下评估最佳路径
坑3：误报率高
- 问题：预警准确率低会导致"狼来了"
- 解决：每月验证预测准确性，持续优化模型