Efter fusioner og opkøb, vil medarbejdere forlade eller blive? Forskere siger bare spørg AI

Inden for videntunge industrier som tech er der en næsten umættelig efterspørgsel efter højtuddannede medarbejdere, såsom softwareingeniører og app-udviklere. Behov for talent motiverer ofte fusioner og opkøb (M&A), i en proces, der i daglig tale kaldes "acqui-hiring."

Men som det er velkendt, kan forskelle i virksomhedskultur og organisatoriske skævheder under fusionsprocessen resultere i talentomsætning, spændinger og øget potentiale for fiasko.

I et nyligt arbejdspapir offentliggjort i SSRN Electronic Journal , Jingyuan Yang, professor i informationssystemer og driftsledelse ved Donald G. Costello College of Business ved George Mason University, opdager, hvordan man effektivt kan forudsige medarbejderomsætning ved hjælp af en innovativ AI-drevet tilgang. Denne artikel var også medforfatter af Denghui Zhang fra Stevens Institute of Technology og Hao Zhong fra ESCP Business School i Paris.

"Det primære formål med denne undersøgelse er at undersøge virkningerne af M&A på medarbejderomsætning på tværs af forskellige forretningssektorer og at drage generaliserbar indsigt i omsætningsmønstre," siger Yang.

Inden for denne undersøgelse brugte forskerne et storstilet datasæt fra den virkelige verden, som havde information om de erhvervede medarbejderes historie samt information om M&A-virksomhederne til deres metodetest. Forskerne udviklede derefter et "dual-fit heterogent graph neural network" til at forudsige talentomsætning i virksomheders sammensmeltningsfase.

Gennem dataanalyse målte de en Organization to Organization fit (O-O), som sammenligner lighederne mellem de to virksomheder, og en Person to Organization fit (P-O), som analyserer kompatibilitet mellem individuelle jobfunktioner og den nye virksomhedskultur.

Yang understreger sondringen mellem denne undersøgelse og traditionel M&A-forskning, som "kun fokuserer på firma-til-firma-relationer, der mangler perspektivet på medarbejdernes kompatibilitet," siger Yang.

O-O-pasningen og P-O-pasningen blev konverteret til en grafstruktur, som kan bruges til at kvantificere den overordnede tilpasning af de to virksomheder. Denne score bestemmer igen den sandsynlige omsætningshastighed for specifikke jobtitler.

Forskerne fandt ud af, at deres løsnings forudsigelige ydeevne overgik fire konventionelle maskinlæringsmodeller, trænet på de samme data, såvel som tre eksisterende grafiske neurale netværksmodeller.

Baseret på eksisterende forskning finder Yang, at en forbløffende "30 procent af de fusionerede erhvervede virksomheder er tilbage inden for tre år", hvilket understreger problemets alvor. I Yangs perspektiv ser dette ud til at være et stort tab og fiasko ved en ansættelsesorienteret opkøb.

Men hvad betyder Yangs tilgang for virksomheder, der kan være involveret i "acqui-hiring" i fremtiden, og ønsker at undgå samme skæbne? For Yang fungerer denne AI-model som et potentielt værktøj, der kan hjælpe organisationers beslutningstagning og effektivitet generelt.

"Hvis de har disse oplysninger på forhånd, tror jeg, det vil være meget nyttigt for dem at træffe beslutningen om sammenlægning og også for at se, om dette er den mest effektive måde at ansætte og fastholde teamet på."

Hun oplyser, at denne prædiktive model besvarer spørgsmålet om "Hvilken type medarbejder vil blive mest berørt, og HR-teamet kan hurtigt identificere, om den ønskede medarbejder vil forlade eller ej." De to tilpasninger indeholder også information, der er nyttig til at evaluere M&A-processen, for at se, om "på virksomhedsniveau er der høj kompatibilitet, og det individuelle niveau for at se, om den fremtidige erhvervede medarbejder vil være tilfreds og blive i en virksomhed."

Nøjagtige forudsigelser af omsætningsrater efter jobfunktion gør det også muligt for opkøbende virksomheder at tage proaktive skridt for at fastholde missionskritiske medarbejdere, som kan have høj risiko for at stoppe. "Det hjælper dem med at bestemme deres fastholdelsespakke ... [der er] en masse strategier til at udpege de medarbejdere, de virkelig ønsker at anskaffe," siger Yang.

"Dette kan hjælpe dem til at have de rigtige forventninger. Virksomheder skal overveje de anslåede omkostninger ved deres fastholdelsespakke, før de indgår M&A-aftalen."

Men i betragtning af den høje sandsynlighed for omsætning og de deraf følgende fastholdelsesomkostninger, er "acqui-hiring" overhovedet en god idé i de fleste tilfælde? "Jeg tror, ​​det kommer til at være trending i lang tid, fordi det stadig giver mange fordele. Indkøbere får ikke kun de unikke produkter og teknikker, men der er et blødt vidensæt blandt erhvervede medarbejdere, som er virkelig værdifuldt. Så jeg tror, ​​at dette strategi vil fortsat være udbredt på teknologiområdet," siger Yang.

Flere oplysninger: Denghui Zhang et al., Acqui-hiring or Acqui-quitting:Datadrevet post-M&A Omsætningsforudsigelse via en Dual-Fit Model, SSRN Electronic Journal (2023). DOI:10.2139/ssrn.4389063

Leveret af George Mason University