Outil de diagnostic et de prévention de l'insatisfaction des employés

La rétention d'employés dans le domaine de la santé, notamment dans les centres de soins à domicile, est un des problèmes majeurs du secteur depuis la fin du XXe siècle. De nombreuses études se sont déjà penchées sur ce problème afin de mieux comprendre ce phénomène. Les facteurs identifiés peuvent être regroupés en 5 catégories : — les caractéristiques de l'employé — la planification des visites et des horaires — les caractéristiques du métier — les interactions sociales inter-professionnelles et avec les patients — l'impact de la structure dans laquelle l'employé travaille Ces études tentent de qualifier la satisfaction des employés dans leur emploi à travers des questions adressées sous forme de sondages. Les réponses sont ensuite analysées avec des méthodes statistiques afin de déterminer les causes du problème de la rétention d'employés. Cette étude propose une nouvelle approche du départ des employés en soins à domicile en utilisant directement leurs données d'activité : heures de travail, patients vus, disponibilités... Notre partenaire industriel AlayaCare est une compagnie montréalaise qui collecte depuis 2014 l'activité de ses clients : des centres de soins à domicile au Canada, aux États-Unis et en Australie. Les utilisateurs principaux de la plateforme sont les gestionnaires ou les coordonnateurs. Afin de répondre aux besoins en visites des patients, ils peuvent assigner des visites à des employés et ainsi avoir un outil efficace pour gérer les emplois du temps de chacun. En exploitant diverses informations comme la quantité de visites à chaque période, les distances parcourues, la variété des tâches réalisées ou encore les plages horaires travaillées, l'objectif est d'extraire les variables qui ont un impact sur la satisfaction des employés. La modélisation proposée est un problème de classification à deux classes. Un des défis de ce projet est qu'aucune mesure évidente de l'intention de départ d'un employé au cours du temps n'est disponible. La solution envisagée est de distinguer les périodes qui ont précédé le départ d'un employé de celles plus anciennes. Ainsi, l'objectif est de relever et d'identifier les variables qui ont évolué au fil des périodes et qui pourraient expliquer pourquoi la situation d'un employé s'est détériorée, amenant à un départ volontaire. Une étape de pré-traitement et de mise en forme des données a d'abord été mise en place afin de créer des ensembles d'entraînement pour les modèles de classification. Différents découpages temporels ont été testés afin de déterminer celui qui est le plus adapté à notre modélisation. Les modèles utilisés pour répondre au problème de classification sont : — la régression logistique — modèles d'arbres (forêts aléatoires, XGBoost) — les réseaux de neurones L'objectif est de sélectionner le modèle le plus adapté au problème de rétention d'employés tel que nous l'avons défini et d'explorer des espaces de paramètres pour obtenir les meilleures performances possibles. Ces expériences sont effectuées pour 10 agences de soins à domicile différentes, dont 6 se situent au Canada, 2 aux États-Unis et 2 en Australie. Comparer les résultats à travers les différents clients permet de généraliser les observations effectuées. La stratégie de sélection de modèle implémentée a montré que l'architecture XGBoost obtient généralement les meilleures performances. Le découpage qui apportait le plus de signal utilise les données des 24 dernières semaines d'un employé. Les solutions ne permettent pas de répondre parfaitement au problème modélisé, mais les résultats obtenus permettent d'apporter des éléments de réponse. La variable la plus significative est liée au nombre de visites sur une période qui doit être élevé : ce résultat s'est généralisé à travers les différents clients et semble capital. Intuitivement, cette variable est directement relié à la rémunération, un grand nombre de visites apporte plus de sécurité. Les autres conclusions dépendent généralement d'un client à l'autre, on relève les pratiques suivantes qui ont permis d'augmenter la satisfaction des employés de manière générale : — varier les durées de visites — avoir des visites plus longues — communiquer ses indisponibilités aux gestionnaires chaque semaine Les autres critères mesurés ont soit une importance faible dans la classification, soit les résultats varient d'une structure à l'autre et sont difficiles à généraliser. De cette manière, on est capable de faire un diagnostic personnalisé pour chaque agence de soins ayant suffisamment de données afin d'identifier les facteurs ayant le plus d'impact sur la satisfaction de ses employés. Le dernier chapitre propose d'appliquer ces résultats dans un algorithme d'optimisation présent chez AlayaCare. Celui-ci permet de prendre en compte les besoins et disponibilités des patients et des employés sur un horizon de plusieurs jours afin de créer les emplois du temps qui minimisent une fonction de coût. Une nouvelle formulation du coût associé aux routes prenant en compte les facteurs qui influencent le départ des employés identifiés par notre méthode est proposée. En améliorant l'algorithme d'optimisation, on souhaite créer des emplois du temps attentifs aux besoins des patients et aux préférences des employés. On pourrait alors espérer voir le taux de rétention augmenter et une meilleure satisfaction globale à travers les employés afin d'aider un secteur qui a plus que jamais besoin de main-d'œuvre.

Abstract

Employee retention is a burning problem in home care industry. Several studies have already been looking for solutions. They identified factors that can be grouped into five categories : — employee characteristics — scheduling — job related factors — social interactions with other employees and patients — structure related factors These studies aim for a measure of satisfaction using polls and surveys. The answers are then analyzed to highlight the causes of employee churn. Our project proposes a new way of studying employee satisfaction by looking directly at employees visit schedule. A partnership with AlayaCare allowed us to have access to such data. This company from Montreal offers a platform to home care agencies to ease coordinators' workload. The main user is generally a manager or a coordinator. Through the software, one can assign employees to visits and have a better overview of the staff workload. Various information can be found in the database : the length of visits, the location, or the type of service given. The objective is to extract as many features as possible to identify important ones among them. We decided to model this problem as a classification problem. One of the biggest challenge is that no obvious measure is available to assess the satisfaction of the employees through time. The proposed solution is to try to distinguish periods before an employee left from previous ones. Therefore, we should be able to identify the variables that evolved through time and may explain why an employee left. Preprocessing and shaping the data are necessary steps before creating training sets for classification models. Different time divisions has been tried to determine which one fits best the way we modelled this problem. Several classification algorithms have been implemented : — logistic regression — tree-based models (random forests and XGBoost) — neural networks Model selection run on different hyper-parameters in order to reach optimal performances. This method is applied on 10 health care clients : 6 located in Canada, 2 in the United Stated,and 2 in Australia. Comparing the results across these companies may help to generalize the observations. The XGBoost architecture give the best results over the experiments. It's also recommended to use the last 24 weeks of an employee to better measure the evolution of his/her satisfaction through time. The solutions found don't match perfect classification, but they lead to some conclusions. The number of visits over a period is the key : this observation generalized over all clients. Among others, the following statements has been identified to improve one's satisfaction but may slightly differ a client from another: — having different visit lengths through a period — having longer visits — communicate one's unavailabilities for a week The other factors either have low importance or are different among clients and thus don't generalize well. In this way, we are able to make a custom diagnosis for each company, identifying the factors that matter. The last section is dedicated to put the previous results into an optimization algorithm available at AlayaCare. By taking into account availability and needs of patients and employees, it creates daily schedules over a fixed period. A new cost formulation for routes is proposed by adding the necessary variables identified in our study. Regular use of this algorithm could improve the staff satisfaction while meeting patient needs, we would expect the turnover rate to decrease over time. It is hoped that such a solution could help an industry that lacks workforce more than ever.