دوره 20، شماره 3 - ( 10-1402 )                   جلد 20 شماره 3 صفحات 86-73 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mazarei S M, pouramini J. Predicting employee turnover using tree-based ensemble ‎learning algorithms ‎. JSDP 2023; 20 (3) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1315-fa.html
مزارعی سیده محبوبه، پورامینی جعفر. پیش‌بینی ریزش کارمندان با استفاده از ‌الگوریتم‌های یادگیری گروهی مبتنی بر درخت ‌. پردازش علائم و داده‌ها. 1402; 20 (3) :73-86

URL: http://jsdp.rcisp.ac.ir/article-1-1315-fa.html

پیش‌بینی ریزش کارمندان با استفاده از ‌الگوریتم‌های یادگیری گروهی مبتنی بر درخت ‌
سیده محبوبه مزارعی* ، جعفر پورامینی
دانشگاه پیام نور
چکیده:   (783 مشاهده)
یکی از مهم‌ترین نگرانی‌های مدیران ترک خدمت کارکنان کلیدی است؛ زیرا سازمان با ازدست‌دادن نیروهای ارزشمند خود، متحمل ازدست‌دادن دانش و تجربیاتی می‌شود که طی سال‌ها تلاش به‌دست‌آمده است؛ بنابراین پیش‌بینی ریزش کارکنان به مدیران منابع انسانی در استخدام نیروهای ماندگار و حفظ و نگهداری آنها کمک می‌کند. یکی از ابزارهای کارآمد دراین‌خصوص استفاده از روش‌های مختلف داده‌کاوی است. تعداد کم نمونه‌ها و نامتوازن بودن داده‌های ریزش کارکنان و تنظیم ابر پارامترها از جمله مشکلات استفاده از روش‌های داده‌کاوی برای پیش‌بینی ریزش کارکنان است. هدف  این تحقیق، ارائه روش‌های مناسب کاهش ویژگی و پیش‌پردازش داده‌ها به همراه ارائه راهکار برای تنظیم مناسب ابر پارامترها برای پیش‌بینی ریزش کارکنان با استفاده از تکنیک‌های مختلف داده‌کاوی و الگوریتم‌های یادگیری ماشین تجمعی است. باتوجه‌به نامتوازن بودن داده‌ها، از روش‌های کم نمونه‌گیری تصادفی و ترکیب آن با بیش نمونه‌گیری تصادفی برای متوازن‌سازی داده‌ها با نسبت‌های متفاوت استفاده شد. باتوجه‌به مثبت‌بودن همه داده‌ها از روش کاهش ابعاد تجزیۀ ماتریس نامنفی NMF استفاده گردید. با استفاده از روش‌های جستجوی ابر پارامترها، مقادیر بهینه ابر پارامترها برای الگوریتم‌های پیشنهادی، تعیین شد. برای ارزیابی روش پیشنهادی از مجموعه‌داده‌های استاندارد با اندازه‌های مختلف استفاده شده است. نتایج روش پیشنهادی با نتایج حاصل از سایر روش‌های مطرح در این حوزه مانند KNN, AdaBoost, DT و SVC مقایسه شده است. نتایج به‌دست‌آمده نشان می‌دهند که مدل پیشنهادی این تحقیق نسبت به تحقیقاتی که در گذشته روی همین داده‌ها صورت‌گرفته، دارای دقت پیش‌بینی بهتری است. طبق بررسی‌های انجام شده در این تحقیق که با استفاده از یک روش ترکیبی انتخاب ویژگی انجام شد، ویژگی‌های «سن»، «درآمد ماهیانه»، «نرخ روزانه»، «اضافه‌کاری» و «تعداد شرکت‌هایی که کارمند در آنها کارکرده»، بیش‌ترین تأثیر را بر ریزش کارکنان داشته‌اند.
شماره‌ی مقاله: 6
واژه‌های کلیدی: داده‌کاوی، مدیریت منابع انسانی، ‎ ‎یادگیری گروهی، ریزش کارکنان
متن کامل [PDF 1033 kb]   (174 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1401/3/10 | پذیرش: 1402/4/27 | انتشار: 1402/10/24 | انتشار الکترونیک: 1402/10/24
فهرست منابع
1. [1] Y. Zhao, M. K. Hryniewicki, F. Cheng, B. Fu, and X. Zhu, "Employee turnover prediction with machine learning: A reliable approach," in Proceedings of SAI intelligent systems conference, 2018: Springer, pp. 737-758.
2. [2] N. B. Yahia, J. Hlel, and R. Colomo-Palacios, "From big data to deep data to support people analytics for employee attrition prediction," IEEE Access, vol. 9, pp. 60447-60458, 2021.
3. [3] M. Pratt, M. Boudhane, and S. Cakula, "Employee Attrition Estimation Using Random Forest Algorithm," Baltic Journal of Modern Computing, vol. 9, no. 1, pp. 49-66, 2021.
4. [4] S. S. Alduayj and K. Rajpoot, "Predicting employee attrition using machine learning," in 2018 international conference on innovations in information technology (iit), 2018: IEEE, pp. 93-98.
5. [5] A. Huda and N. Ardi, "Predictive Analytic on Human Resource Department Data Based on Uncertain Numeric Features Classification," Int. J. Interact. Mob. Technol., vol. 15, no. 8, pp. 172-181, 2021.
6. [6] M. Al Akasheh, E. F. Malik, O. Hujran, and N. Zaki, "A Decade of Research on Data Mining Techniques for Predicting Employee Turnover: A Systematic Literature Review," Available at SSRN 4401862.
7. [7] P. Ajit, "Prediction of employee turnover in organizations using machine learning algorithms," algorithms, vol. 4, no. 5, p. C5, 2016.
8. ]8[ ا. م. اسماعیلی سیکارودی، ر. قوسی، ع. اسماعیلی سیکارودی، «یک رویکرد داده‌کاوی برای پیش‌بینی ریزش کارکنان. مطالعه موردی: تولید قطعات خودروی اراک»، مجلۀ سیستم‌ها و صنعت، 2015.
9. [8] A. M. Esmaieeli Sikaroudi, R. Ghousi, and A. Sikaroudi, "A data mining approach to employee turnover prediction (case study: Arak automotive parts manufacturing", Journal of industrial and systems engineering, vol. 8, no. 4, pp. 106-121, 2015.
10. [9] س. حسن‌خاني دولت‌آبادي، ف. کي‌نيا، «طراحی مدل پیش‌بینی ریزش مشتری و کارمند بر اساس روش داده‌کاوی و پیش‌بینی‌کننده عصبی»، IEEE Xplore ، 2017.
11. [9] S. H. Dolatabadi and F. Keynia, "Designing of customer and employee churn prediction model based on data mining method and neural predictor," in 2017 2nd International Conference on Computer and Communication Systems (ICCCS), 2017: IEEE, pp. 74-77.
12. [10] س. خضیری عفراوی، م. سرداری زارچی، س. م. م. فاطمی بوشهری، «عوامل مؤثر بر تمايل به ترک سازمان با استفاده از الگوریتم‌های مبتني‌بر شبکۀ عصبي و ژنتيک چندهدفه»، مدیریت منابع انسانی در صنعت نفت، 1397.
13. [10] S. Khaziri Afravi, M. Sardari Zarchi, S. M. M. Fatemi Bushehri, "Factors affecting the tendency to leave the organization using algorithms based on multi-objective neural network and genetics", Human Resource Management in the Oil Industry, 1397.
14. [11] X. Cai et al., "DBGE: employee turnover prediction based on dynamic bipartite graph embedding," IEEE Access, vol. 8, pp. 10390-10402, 2020.
15. [12] P. K. Jain, M. Jain, and R. Pamula, "Explaining and predicting employees' attrition: a machine learning approach," SN Applied Sciences, vol. 2, pp. 1-11, 2020.
16. [13] M. Lazzari, J. M. Alvarez, and S. Ruggieri, "Predicting and explaining employee turnover intention," International Journal of Data Science and Analytics, vol. 14, no. 3, pp. 279-292, 2022.
17. [14] X. Gao, J. Wen, and C. Zhang, "An improved random forest algorithm for predicting employee turnover," Mathematical Problems in Engineering, vol. 2019, 2019.
18. [15] M. Teng, H. Zhu, C. Liu, and H. Xiong, "Exploiting network fusion for organizational turnover prediction," ACM Transactions on Management Information Systems (TMIS), vol. 12, no. 2, pp. 1-18, 2021.
19. [16] N. Jain, A. Tomar, and P. K. Jana, "A novel scheme for employee churn problem using multi-attribute decision making approach and machine learning," Journal of Intelligent Information Systems, vol. 56, pp. 279-302, 2021.
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.