Расчет численности офисного персонала методом КРА (на примере кадровой службы) (Окончание)

Предлагаем вашему вниманию цикл статей, посвященных нормированию труда офисных работников. Автор статей Александр Кокоткин является опытнейшим специалистом-практиком в области нормирования труда. Свою трудовую деятельность он начинал в 1999 г. на Новолипецком металлургическом комбинате (г. Липецк, Россия). Затем в разные годы трудился в пищевой промышленности (производство мясных продуктов, кондитерская фабрика) и телекоммуникациях. В настоящее время работает экспертом в одном из крупнейших банков России ОАО «Банк Москвы».

А. Кокоткин поделится с читателями секретами своей работы.

Читайте внимательно, ведь это – эксклюзивная информация!

(Окончание. Начало см.: Нормирование и тарификация труда. – 2015. – № 4. – С. 43–50; – № 5. – С. 38–50.)

В двух прошлых номерах журнала мы начали изучение метода КРА, сопровождавшегося примером расчета численности работников кадровой службы. Мы рассмотрели три этапа, заключавшихся в выборе подразделения, определении его функций, составлении перечня факторов, влияющих на численность, и определении пригодности этих факторов для применения метода корреляционно-регрессионного анализа. Сегодня мы приступаем к четвертому, заключительному этапу.

Этап 4. Построение регрессионной модели

Регрессионная модель линейной корреляции в общем виде выглядит так:

Непосредственно из опыта работы

Сама модель регрессии делается с помощью метода наименьших квадратов, основанного на минимизации суммы квадратов отклонений некоторых функций от искомых переменных. Я получаю модель с помощью Excel, точнее, с помощью встроенной функции «ЛИНЕЙН». При выборе данной функции у вас открывается диалоговое окно, в котором вы должны ввести известные значения Y (это наша с вами численность), в следующей строке известные значения X (значения факторов), ввести константу (1 или 0), ввести показатель статистики (1 или 0) и нажать ОК. Далее, по рекомендации Excel, вам необходимо выполнить несложную итерацию ввода данных как массива (выделить необходимые ячейки, потом нажать клавишу F2, а затем — клавиши CTRL + SHIFT + ENTER). Все подробности выполнения применения данной функции вы можете получить из справки Excel.

В итоге вы получаете набор коэффициентов (ровно по количеству факторов), свободный член (если его потребность вы задавали) и… формула расчета численности персонала в зависимости от факторов у вас есть!

Я намеренно не стал рассказывать вам про F-статистику и Т-статистику, стандартную ошибку уравнения регрессии. Считаю, что в случае расчета нормативной численности этими данными можно пренебречь (хотя сам применяю достаточно часто). Моя задача состоит в том, чтобы показать вам, как можно применить математиче­ские методы в нормировании труда, какой будет результат и, самое главное, что сделать это совсем не тяжело. Данный метод активно применялся в Советском Союзе при нормировании численно­сти ИТР (инженерно-технический персонал). Как-то на очередных курсах один из старейших специалистов по нормированию труда рассказывал нам про все тонкости этого метода. Сейчас я достаточно активно пользуюсь им. Результат впечатляет!

В заключение теоретической части добавлю еще про одно ограничение данного метода. С помощью корреляционно-регрессионного анализа мы с вами получим нормы численности. Если дальше развивать модель, то из нее можно получить нормы выработки. С учетом классической теории нормирования труда, где норма выработки прямо пропорциональна норме времени, можно получить и норму времени. Но! Модель, построенная с помощью регрессии, не учитывает внутреннее распределение затрат рабочего времени, строится на основе фактически сложившихся трудовых и производственных процессов и в случае изменения этих самых процессов подлежит пересмотру. Другими словами, при значительном изменении внутренних процессов нам с вами придется выполнять все этапы заново, не забывая дать этим процессам устояться, а сотрудникам привыкнуть. Мы не сможем при этом «с ходу» взять элементы уравнения и сразу построить нормальный баланс сотрудников или рассчитать новую норму, минуя подготовительные работы. Нет! Начиная с 1-го этапа, мы должны будем снова пройти их все, ничего не пропуская.

Пример

Этап 4. Построение регрессионной модели

После того как мы получили итоговые факторы, которые имеют максимальное влияние на численность HR-персонала, нам необходимо построить эту самую модель, которая даст нам необходимую численность.

Напомним, что итоговыми факторами (см.: Нормирование и тарификация труда. – 2015. – № 5. – С. 50) были отобраны следующие 6:

– количество работников регионального подразделения на дату;

– количество наименований должностей в региональном подразделении;

– количество работников регионального подразделения, прошедших внеш­нее обучение;

– количество работников регионального подразделения, которым осуще­ствлены СТВ (социально трудовые выплаты);

– количество работников регионального подразделения, являющихся участ­никами системы МВО;

– количество заявок на подбор, поступивших в ОРП/СРП регионального подразделения.

Регрессионная модель строится с помощью приложения Excel, а точнее, с помощью встроенной в нее функции «ЛИНЕЙН». Данная функция вычисляет формулу максимального приближения статистики с помощью метода наименьших квадратов. А поскольку в общем виде формула выглядит так:

у = a₁x₁ + a₂x₂ + … + a_nx_n + b,

где у – зависимая переменная (в нашем случае – численность персонала HR-подразделений);

x₁ … x_n – независимые переменные (факторы влияющие на численность персонала HR-подразделений);

a₁ … a_n, b – коэффициенты и постоянная регрессионного уравнения;

n – количество независимых переменных (количество факторов, которые включены в регрессионную модель), –

то результатом отработки данной функции будет массив значений. Данный массив будет включать в себя a₁, a₂, a₃, a₄, a₅, a₆ и b. Это коэффициенты, соответствующие каждому фактору.

Также результатом отработки данной функции является дополнительная статистика (коэффициент детерминации, F-статистика, Т-статистика, стандартная ошибка уравнения). Данная дополнительная статистика применяется для оценки пригодности регрессионной модели. В рамках настоящей статьи изучение дополнительной статистики не планировалось.

Скажу только, что после анализа этой статистики количество факторов уменьшилось еще на 2.

В конечном итоге была разработана модель расчета нормативной численности HR-сотрудников региональных подразделений следующего вида:

у = 0,01922x₁ + 0,00579x₂ + 0,01879x₃ + 0,00023x₄ + 0,44717,

где у – численность персонала HR-подразделений регионального подразделения;

x₁ – значение фактора «Количество работников регионального подразделения, прошедших внешнее обучение»;

x₂ – значение фактора «Количество работников регионального подразделения, являющихся участниками системы МВО»;

x₃ – значение фактора «Количество наименований должностей в региональном подразделении»;

x₄ – значение фактора «Количество работников регионального подразделения на дату».

После этого была составлена таблица расчета нормативной численности персонала HR-функции региональных подразделений с использованием полученной формулы.

Сравнительная таблица фактических и расчетных значений численности персонала HR-сотрудников в территориальных управлениях (ТУ)

Сравнительная таблица фактических и расчетных значений численности персонала
HR-сотрудников в филиалах (без учета методологических функций)

Итогом всех этих манипуляций стали нормы численности для HR-подразделений. Данную формулу можно активно применять вплоть до момента существенного изменения функционала (реорганизация компании).

Безусловно, в конце необходимо провести анализ отклонений расчетных значений по численности от фактических, особенно в тех подразделениях, где отклонения очень высоки. Это может быть неправильно полученная статистика или организация труда как-то отличается. В любом случае дальше применяется индивидуальный подход к каждому конкретному случаю. Главное, что общая картина показала нам в общем-то неплохой результат!

В заключение скажу, что корреляционно-регрессионный метод не так страшен. После выполнения 1–2 проектов вы будете свободно оперировать терминами и большими объемами данных. И практически на лету сможете отсеивать «ненужное». На мой взгляд, метод обладает рядом достоинств: скоростью, автономно­стью, отсутствием субъективизма, которые перечеркивают его недостатки. Ну и, конечно, с математикой не поспоришь!