EN 
Français
Українська🧑💼 Prédicteur d'attrition des employés — Analyse de survie en direct
Observez un véritable modèle de survie de type Cox à risques proportionnels estimer le risque d'attrition de chaque employé simulé au fil de l'ancienneté à partir de caractéristiques d'engagement et de rémunération, avec une courbe de rétention de Kaplan-Meier en direct.
À propos de cette simulation
Ce simulateur exécute de bout en bout un véritable pipeline d'analyse de survie. Une cohorte d'employés simulés est générée avec de véritables caractéristiques d'engagement, de compétitivité de rémunération et de qualité du management, et une formule cachée à risques proportionnels de Cox convertit ces caractéristiques en un véritable taux de risque instantané pour chaque personne. Les départs et le maintien en poste sont tirés de façon stochastique à partir de ce risque sur un horizon temporel pluriannuel simulé, exactement comme de véritables données d'attrition, avec des employés censurés à droite qui n'ont simplement pas encore quitté l'entreprise.
🔬 Ce que ça montre
Les employés sont représentés comme des points dans un véritable espace de caractéristiques 3D — engagement, ratio de rémunération et ancienneté — colorés et dimensionnés selon leur risque actuel. En dessous, un véritable estimateur en escalier de Kaplan-Meier est calculé en direct à partir des véritables temps de départ et de censure de la cohorte : à chaque véritable temps d'événement, il multiplie l'estimation de survie courante par (1 − d/n), intégrant correctement les employés toujours en poste ou ayant atteint l'horizon de l'étude.
🎮 Comment l'utiliser
Faites glisser pour faire pivoter et défilez pour zoomer la vue de l'espace de caractéristiques 3D. Ajustez les curseurs d'intensité d'effet des caractéristiques pour changer à quel point l'engagement, la rémunération ou la qualité du management pilotent le risque réel à l'avenir, filtrez la courbe de Kaplan-Meier sur un sous-groupe, ajoutez de nouvelles cohortes de nouvelles recrues, et observez les rapports de risque estimés — ajustés en direct à partir des données simulées via une montée de gradient sur la vraisemblance partielle de Cox — converger vers les véritables valeurs génératrices.
💡 Le saviez-vous ?
Les modèles de Kaplan-Meier et de Cox ont été conçus spécifiquement pour gérer les observations « censurées » — les cas où l'événement ne s'est pas encore produit au moment où l'on examine les données. En analytique RH réelle, c'est la situation normale : la plupart des employés d'un instantané donné sont toujours en poste, et les traiter comme s'ils ne « partaient jamais » plutôt que de les censurer correctement biaise fortement les estimations naïves du taux d'attrition.
Questions fréquentes
Qu'est-ce que l'analyse de survie et pourquoi l'utiliser pour l'attrition des employés ?
L'analyse de survie modélise le temps jusqu'à un événement — ici, le départ d'un employé — tout en gérant correctement les employés qui n'ont pas encore quitté l'entreprise (observations censurées à droite). Contrairement à un simple classifieur qui prédit partir/rester, elle estime une distribution complète du temps jusqu'à l'événement et permet aux caractéristiques de modifier le taux de risque instantané à chaque ancienneté, ce qui correspond exactement à la structure des véritables données d'attrition RH où la plupart des employés sont toujours en poste au moment de l'analyse.
Qu'est-ce que le modèle de Cox à risques proportionnels ?
Le modèle de Cox suppose que le risque de chaque individu au temps t est égal à un risque de base partagé h₀(t) multiplié par exp(β·x), où x sont les caractéristiques de cet individu. Les coefficients β sont des multiplicateurs logarithmiques de rapport de risque : une caractéristique à coefficient négatif diminue le risque, un coefficient positif l'augmente. Sa propriété caractéristique est que le rapport des risques entre deux individus est constant dans le temps, d'où le nom « risques proportionnels ». Cette simulation utilise un risque de base constant, le cas particulier exponentiel le plus simple.
Comment la courbe de Kaplan-Meier est-elle réellement calculée ici ?
À chaque véritable temps de départ observé dans la cohorte simulée, l'estimateur multiplie la probabilité de survie courante par (1 − d/n), où d est le nombre de départs à ce temps exact et n le nombre d'employés encore à risque (pas encore partis ni censurés) à ce moment. Les employés toujours en poste, ou qui atteignent l'horizon de l'étude sans partir, sont censurés : ils contribuent à l'ensemble à risque jusqu'à leur dernier temps observé mais ne provoquent jamais de baisse. C'est le véritable estimateur non paramétrique de Kaplan-Meier, et non une approximation lissée.
Comment les rapports de risque estimés sont-ils calculés ?
Le panneau ajuste un modèle de Cox à risques proportionnels sur les véritables temps d'événement et de censure simulés de la cohorte par montée de gradient sur la log-vraisemblance partielle de Cox (avec la méthode de Breslow pour les temps d'événement liés), une version simplifiée mais authentique de la façon dont des logiciels comme le package survival de R ou lifelines de Python ajustent les modèles de Cox via Newton-Raphson. Les exponentielles des coefficients ajustés sont les rapports de risque estimés par changement d'un écart-type de chaque caractéristique, et vous pouvez les comparer aux « véritables » rapports de risque génératifs utilisés pour simuler les données.
Que changent les curseurs d'intensité d'effet des caractéristiques ?
Chaque curseur multiplie le véritable coefficient génératif de l'engagement, du ratio de rémunération ou de la qualité du management avant qu'il ne soit exponentié en rapport de risque. Augmenter un curseur fait que cette caractéristique pilote plus fortement le risque d'attrition à l'avenir pour chaque employé encore actif, ce qui vous permet de voir, en temps réel, à quel point la courbe de Kaplan-Meier et les rapports de risque estimés sont sensibles à l'intensité sous-jacente de chaque effet.
Une formule de risque exponentiel de type Cox à risques proportionnels (risque de base × exp(Σ βᵢ·zᵢ)) pilote le départ stochastique et la censure de chaque employé simulé. Un véritable estimateur produit-limite de Kaplan-Meier calcule la courbe de survie de la cohorte à partir de ces véritables temps d'événement/censure, et un ajustement simplifié par montée de gradient sur la vraisemblance partielle de Cox (méthode de Breslow) estime en direct les rapports de risque par caractéristique à partir des données.
3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install