Данное исследование посвящено актуальной теме - потребностью предприятий в технологиях предиктивной аналитики для управления текучестью персонала. Ручной анализ кадровых отчетов требует значительных временных затрат, зависит от опыта HR-специалистов и подвержен риску субъективных ошибок. Интеллектуальные системы на основе моделей глубокого обучения позволяют выполнять прогнозирование индивидуальных и групповых рисков увольнений, выявлять ключевые факторы и формировать рекомендации по retention, повышая точность планирования и оперативность реагирования. Объектом исследования является процесс управления текучестью персонала в ОАО «РЖД».Предмет исследования - методы и алгоритмы машинного обучения, применяемые для предиктивного анализа табличных кадровых данных. Целью исследования - разработка интеллектуальной подсистемы прогнозирования рисков текучести кадров и формирования рекомендаций по их снижению, предназначенной для помощи HR-специалистам и руководителям филиалов. Для достижения поставленной цели проведен анализ деятельности объекта исследования, состава и структуры действующей информационной системы, а также перспектив использовать технологий искусственного интеллекта. Проектируемая подсистема предназначена для поддержки HR-специалистов и руководителей и не заменяет их решения: финальная ответственность полностью остаётся на специалисте. Подсистема должна загружать данные из существующей информационной системы, рассчитывать индивидуальные и групповые риски увольнений с помощью модели TabNet, выделять ключевые факторы риска, генерировать targeted рекомендации и формировать структурированные отчёты. Результаты интегрируются в ЕК-АСУТР и корпоративные дашборды для последующего анализа. В качестве интеллектуального решения использован TabNet - глубокая нейронная сеть, специально разработанная для табличных данных. TabNet использует последовательный механизм внимания (sequential attention), позволяющий на каждом шаге решения динамически выбирать наиболее информативные признаки. Это обеспечивает разреженное использование признаков и повышает обобщающую способность модели. Обучение нейронной сети проводилось на историческом наборе кадровых данных из ЕК-АСУТР ОАО «РЖД» за период 2015-2024 годов, предназначенном для решения задачи бинарной классификации риска увольнения сотрудника в ближайшие 12 месяцев. Проведена оценка эффективности внедрения подсистемы, подтверждающая оптимизацию HR-процессов, сокращение времени анализа (на 70-80%) и повышение точности прогнозов.
МАТЕМАТИЧЕСКАЯ МОДЕЛЬ, НЕЙРОННАЯ СЕТЬ, МАШИННОЕ ОБУЧЕНИЕ, HR-СПЕЦИАЛИСТ
1. Федеральный закон «О персональных данных» от 27.07.2006 № 152-ФЗ // Федеральный закон "О персональных данных" от 27.07.2006 N 152-ФЗ (последняя редакция) \ Консультант Плюс.
2. Стандарт ОАО «РЖД» 1.18.002-2009 Управление информационной безопасностью// СТО РЖД 1.18.002-2009 Управление информационной безопасностью. Общие положения / 1 18 002 2009.
3. И.Н. Калиновская Управление в социальных и экономических системах, 31, 28-30 (2022).
4. А.Ф. Денисов, Д.С. Кардаш, Экономика и управление, 6 (152), 26-37 (2018).
5. М. Г. Нуриев, Е. С. Белашова, К. А. Барабаш Программные системы и вычислительные методы, 1, 1-12. (2023) – DOIhttps://doi.org/10.7256/2454-0714.2023.1.39547. – EDN SNAYLQ.
6. Ю.Н. Смирнов, А.И. Абдуллин, А.В. Каляшина, Научно-технический вестник Поволжья. 6, 106-109.(2023) – EDN JAZFDJ.
7. А. Р. М. Худхейр, Е. В. Заргарян, Ю. А. Заргарян Известия ЮФУ. Технические науки, 227, 3, 211-222 (2022) - DOIhttps://doi.org/10.18522/2311-3103-2022-3-211-222.
8. М.А. Рукомин, Вестник науки, 89, 8, 348-354. (2025).
9. В.И. Симашев, М.Г. Нуриев, Международный научно-исследовательский журнал, 154, 4, 123-124 (2025)- DOI:https://doi.org/10.60797/IRJ.2025.154.89.
10. Н. В. Власова, В. А. Оленцевич, Современные технологии. Системный анализ. Моделирование, 77, 1, 127-135. (2023) – DOIhttps://doi.org/10.26731/1813-9108.2023.1(77).127-135.
11. М. Г. Нуриев, М. Г. Лаптева, В. А. Космынин Международный научно-исследовательский журнал, 158, 8. (2025) – DOIhttps://doi.org/10.60797/IRJ.2025.158.44.
12. А. А. Васильев, Э. В. Фурего, А. А. Любченко, С. В. Ерошенко, Путь и путевое хозяйство, 10, 2-5 (2024).
13. А.В.Каляшина, Вестник Технологического университета, 27, 12, 147-152 (2024)https://doi.org/10.55421/1998-7072_2024_27_12_147.
14. А.В. Каляшина, Ю.Н. Смирнов Научно-технический вестник Поволжья, 11, 119-122 (2023) – EDN LXULQC.
15. А. Хамитов, Е. Ю. Белова, Информационные технологии. Проблемы и решения, 25, 4, 27-33. (2023)
