《Decision Support Systems》：Analyzing voluntary employee turnover: A data-driven explanatory modeling approach
编辑推荐：
熟练员工的普遍短缺，包括通过限制自愿性员工离职来留住有才华的员工越来越困难，阻碍了公司成功。为了深入了解自愿性员工离职，以往的研究开展了基于理论驱动假设的解释性研究，或利用旨在基于历史数据预测哪些员工最可能离开公司的预测模型。相反地，研究人员提出了一种方法，该
熟练员工的普遍短缺，包括通过限制自愿性员工离职来留住有才华的员工越来越困难，阻碍了公司成功。为了深入了解自愿性员工离职，以往的研究开展了基于理论驱动假设的解释性研究，或利用旨在基于历史数据预测哪些员工最可能离开公司的预测模型。相反地，研究人员提出了一种方法，该方法将预测性数据挖掘方法、因果决策树（Causal Decision Trees, CDTs）和专家验证相结合，以产生公司特定的、可操作的自愿性离职解释。所提出的方法被应用于一家机械工程公司的真实案例。在此，研究人员的由数据驱动的因果分析识别了自愿性服务技术员离职的模式，这些模式由领域专家验证，并用于推导旨在减少未来员工离职的针对性措施。结果显示提供了有价值的见解，补充了专家的事先知识，揭示了主观意见与定量结果之间的差异，并实质性地为公司的决策提供了信息。一项后续研究表明，几乎所有推导出的措施都正在实现，并显示出对员工离职的早期积极影响。
**论文解读文章**
**研究背景、问题与意义**
当前，熟练劳动力短缺已成为全球性挑战，企业不仅难以招聘到合格员工，更面临保留优秀人才的巨大压力。自愿性员工离职（Voluntary Employee Turnover）不仅导致高昂的直接成本（可达员工年薪的1.5至5倍），还会破坏团队凝聚力、降低客户满意度。现有研究主要分为两类：一是源于组织行为学的解释性研究，依赖理论驱动假设，识别统计显著关系，但缺乏针对特定企业的数据驱动分析，难以提供可操作因素；二是人员分析（People Analytics, PA）领域的预测性研究，运用数据挖掘或机器学习方法预测谁将离职，但这些模型无法揭示因果原因，因而不能设计针对性的主动干预措施。因此，如何通过数据驱动方法获得因果解释，以制定有效的员工保留策略，成为关键研究问题。
为解决上述问题，研究人员提出了一种结合预测性数据挖掘、因果决策树（Causal Decision Trees, CDTs）和专家验证的方法论，旨在提供公司特定的、可操作的自愿性离职因果解释，并据此设计主动措施。该研究论文发表在《Decision Support Systems》。
**主要关键技术方法**
研究人员采用以下关键技术方法：首先，使用集成预测方法（随机森林、逻辑回归、决策树）对德国一家机械工程公司的1072名服务技术员（2015-2022年数据，219人自愿离职）进行预测分析，仅保留三种方法均识别为重要的特征；其次，基于预测决策树的特征分裂点定义“处理变量（Treatments）”，并运用因果决策树（CDT）估计异质性处理效应（Conditional Average Treatment Effect, CATE），量化多个特征交互对离职的因果影响；最后，通过五名领域专家（包括部门经理和人力资源业务伙伴）的两阶段访谈进行专家验证（Expert Validation），对比主观意见与定量结果，并基于因果发现设计系统性措施管理周期。
**研究结果**
**数据挖掘结果1：任职年限对自愿性员工离职有影响**
研究人员围绕任职年限（Tenure）设计了三个处理变量：（1a）任职年限<1年、（1b）任职年限<6年、（1c）任职年限<11年。通过因果决策树分析，结果1a显示：任职不足1年的员工离职率比长期员工低23.1%，若其出差天数占比低于35%，则离职率再降低至37%；专家事后确认此模式，认为新手阶段有指导且出差较少可降低离职。结果1b显示：任职5-6年的员工离职率平均高30.1%，且欧洲出差天数>40%时升至38.6%，高薪酬（>7800欧元）进一步增加至40.6%；专家虽认可该阶段离职增加，但对出差与薪酬的作用提出质疑。结果1c显示：任职<11年的员工离职率高17.8%，若年龄<38岁且日均工作时长>9小时3分钟，则增至25.4%；专家普遍验证，并指出约10年后员工重新评估职业路径，且市场价值高易跳槽。
**数据挖掘结果2：总薪酬对自愿性员工离职有影响**
处理变量为总薪酬（Gross Salary）<4900欧元。因果决策树表明：低薪酬员工离职概率高18.3%，若德国境内出差天数占比≥30%则升至19.8%，年龄<58岁且任职≥7年时进一步升至21.7%。专家验证了此结果，强调出差津贴在德国偏低进一步压缩实际收入，导致替代工作吸引力增加。
**数据挖掘结果3：德国境内出差天数对自愿性员工离职有影响**
处理变量为德国境内出差天数为0%（即仅国外出差）。因果决策树显示：无德国出差员工的离职概率高26.4%，若任职<11年则升至30%。专家整体验证，并指出员工初期偏好国际任务，但长期后更希望就近工作；若主管未批准国内请求，会加剧不满。值得注意的是，主观估计仅认为少数员工受影响，但数据表明约10%的员工属于该群体，凸显主观判断与数据的偏差。
**总结与讨论**
本研究通过对比事前专家意见与事后因果分析结果，发现二者存在显著差异：专家普遍认为“子女”特征重要，但数据分析未支持；而“年龄”虽未被预测方法重视，却在多个因果决策树中出现。研究结论证实了数据驱动因果分析能揭示深层结构性原因，弥补主观认知的不足。讨论部分指出，该方法通过预测挖掘、因果决策树和专家验证的三步整合，为公司提供了针对性措施，包括调整出差要求、提升招聘透明度、促进数据驱动决策；后续研究表明，多数措施已被采纳且初显正面效果。然而，研究存在局限：因果分析仅依赖可解释的因果决策树，未探索更复杂方法（如因果森林）；预测方法限于三类高可解释模型；措施实际效果受组织执行力度影响；未来需在其他案例中验证泛化性。最终，研究人员翻译并总结了研究结论：本研究通过结合预测数据挖掘、因果决策树和专家验证，提出了一种数据驱动的自愿性员工离职因果分析方法，该方法基于实际公司特定的离职行为估计多元因果效应，并促进设计和管理旨在减少未来离职的针对性主动措施。在德国机械工程公司的实际案例应用中，该方法揭示了影响服务技术员离职的关键因素，所提措施被公司欣然采纳，凸显了分析的重要附加值。
