Inom kunskapsintensiva branscher som tech finns det en nästan omättlig efterfrågan på högutbildade medarbetare, som mjukvaruingenjörer och apputvecklare. Behov av talang motiverar ofta fusioner och förvärv (M&A), i en process som i dagligt tal kallas "acqui-hiring."

Som bekant kan dock skillnader i företagskultur och organisatoriska felställningar under sammanslagningsprocessen resultera i talangomsättning, spänningar och ökad risk för misslyckanden.

I ett nyligen publicerat arbetsdokument i SSRN Electronic Journal , Jingyuan Yang, professor i informationssystem och driftledning vid Donald G. Costello College of Business vid George Mason University, upptäcker hur man effektivt förutsäger personalomsättning med hjälp av ett innovativt AI-drivet tillvägagångssätt. Denna artikel skrevs också av Denghui Zhang från Stevens Institute of Technology och Hao Zhong från ESCP Business School i Paris.

"Det primära syftet med den här studien är att undersöka effekterna av M&A på personalomsättning inom olika affärssektorer, och att dra generaliserbara insikter om omsättningsmönster", säger Yang.

Inom denna studie använde forskarna en storskalig verklig datauppsättning som hade information om historiken för förvärvade anställda samt information om M&A-företagen för deras metodtest. Forskarna utvecklade sedan ett "dual-fit heterogent grafneuralt nätverk" för att förutsäga talangomsättning i företags sammanslagningsfas.

Genom dataanalys mätte de en Organization to Organization fit (O-O) som jämför likheterna mellan de två företagen, och en Person to Organization fit (P-O), som analyserar kompatibiliteten mellan enskilda jobbfunktioner och den nya företagskulturen.

Yang betonar skillnaden mellan den här studien och traditionell M&A-forskning, som "endast fokuserar på relationer från företag till företag, utan perspektiv på medarbetarnas kompatibilitet", säger Yang.

O-O-passningen och P-O-passningen omvandlades till en grafstruktur, som kan användas för att kvantifiera den övergripande passningen för de två företagen. Denna poäng bestämmer i sin tur den sannolika omsättningshastigheten för specifika jobbtitlar.

Forskarna fann att deras lösnings prediktiva prestanda överträffade fyra konventionella maskininlärningsmodeller som tränats på samma data, såväl som tre existerande grafiska neurala nätverksmodeller.

Baserat på befintlig forskning finner Yang att häpnadsväckande "30 procent av de sammanslagna förvärven kvarstår inom tre år", vilket understryker problemets allvar. I Yangs perspektiv verkar detta vara en stor förlust och ett misslyckande för ett anställningsorienterat förvärv.

Men vad betyder Yangs tillvägagångssätt för företag som kan vara inblandade i "acqui-hiring" i framtiden, och vill undvika samma öde? För Yang fungerar denna AI-modell som ett potentiellt verktyg som kan hjälpa organisationers beslutsfattande och effektivitet överlag.

"Om de har den här informationen i förväg tror jag att detta kommer att vara till stor hjälp för dem att fatta beslutet om sammanslagning och även för att se om detta är det mest effektiva sättet att anställa och behålla teamet."

Hon konstaterar att denna prediktiva modell svarar på frågan om "Vilken typ av medarbetare kommer att påverkas mest och HR-teamet kan snabbt identifiera om den önskade medarbetaren kommer att sluta eller inte." Dessutom innehåller de två passningarna information som är användbar för att utvärdera M&A-processen, för att se om "på företagsnivå finns hög kompatibilitet, och individnivå för att se om den framtida förvärvade anställde kommer att vara nöjd och stanna på ett företag."

Exakta förutsägelser av omsättningshastigheter per jobbfunktion gör det också möjligt för förvärvande företag att vidta proaktiva åtgärder för att behålla uppdragskritiska medarbetare som kan löpa stor risk att sluta. "Det hjälper dem att bestämma sitt retentionspaket ... [det finns] många strategier för att peka ut de anställda de verkligen vill skaffa," säger Yang.

"Detta kan hjälpa dem att ha rätt förväntningar. Företag måste överväga den uppskattade kostnaden för deras retentionspaket innan de ingår M&A-affären."

Men med tanke på den höga sannolikheten för omsättning och de därav följande kostnaderna för att behålla, är "acqui-hiring" ens en bra idé i de flesta fall? "Jag tror att det kommer att vara trendigt under lång tid, eftersom det fortfarande ger många fördelar. Förvärvare får inte bara de unika produkterna och teknikerna, utan det finns en mjuk kunskapsuppsättning bland förvärvade anställda som är verkligen värdefulla. Så jag tror att detta strategi kommer att fortsätta att vara utbredd inom teknikområdet, säger Yang.

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

Tillhandahålls av George Mason University