Στατιστικά μοντέλα πρόβλεψης στη διαχείριση ανθρώπινου δυναμικού
| dc.contributor.advisor | Πολίτης, Κωνσταντίνος | |
| dc.contributor.author | Κοκκινόπουλος, Κυριάκος | |
| dc.date.accessioned | 2024-07-24T05:31:57Z | |
| dc.date.available | 2024-07-24T05:31:57Z | |
| dc.date.issued | 2024-07 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16636 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/4058 | |
| dc.description.abstract | Η διαχείριση του ανθρώπινου δυναμικού είναι κρίσιμη για την επιτυχία και την ανταγωνιστικότητα των εταιρειών. Μια από τις βασικότερες προκλήσεις στη διαχείριση ανθρώπινου δυναμικού είναι η διατήρηση και η ανάπτυξη των εργαζομένων του κάθε οργανισμού. Στις μέρες μας, έχει παρατηρηθεί το φαινόμενο της συχνής αλλαγής εργασίας. Εργαζόμενοι όλων των ηλικιών, δεν φοβούνται να δοκιμάσουν να εργαστούν σε νέες εταιρείες, με απώτερο σκοπό καλύτερες απολαβές και καλύτερες συνθήκες εργασίας. Αυτό το φαινόμενο, έχει πολλές επιπτώσεις στις εταιρείες. Για να μπορέσει ένα τμήμα ανθρώπινου δυναμικού να ανταπεξέλθει στο παραπάνω φαινόμενο, χρειάζεται εργαλεία. Εργαλεία που βασίζονται σε δεδομένα και μπορούν να βοηθήσουν στην κατανόηση των λόγων που οδηγούν τους εργαζόμενους σε αποχώρηση ώστε να ληφθούν μέτρα για την πρόληψή τους. Στην παρούσα διπλωματική εργασία, μέσω του διαθέσιμου συνόλου δεδομένων, το οποίο περιλαμβάνει προσωπικές και επαγγελματικές πληροφορίες για κάθε εργαζόμενο και χρησιμοποιώντας λογιστική παλινδρόμηση και αλγορίθμους μηχανικής μάθησης, θα προσπαθήσουμε να προβλέψουμε την αποχώρηση ή την παραμονή του εργαζόμενου στην εταιρεία. Επίσης, δίνεται το θεωρητικό υπόβαθρο αυτών των μεθόδων, γραφήματα και γραφικές παραστάσεις των μεταβλητών καθώς και τα περιγραφικά μέτρα. Τέλος, γίνεται σύγκριση των αποτελεσμάτων των μοντέλων με χρήση κατάλληλων μετρικών για την αξιολόγηση της απόδοσής τους ώστε να καταλήξουμε στο καταλληλότερο και αποδοτικότερο μοντέλο για την πρόβλεψη μας. | el |
| dc.format.extent | 96 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Στατιστικά μοντέλα πρόβλεψης στη διαχείριση ανθρώπινου δυναμικού | el |
| dc.title.alternative | Statistical predictive models in human resources management | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | Human Resource Management is critical to the success and competitiveness of companies. One of the key challenges in Human Resources Management is the retention and development of employees in any organization. In our days, the phenomenon of frequent job change has been observed. Employees of all ages are not afraid to work in new companies, with the ultimate goal of better remuneration and better working conditions. This phenomenon has many consequences for the companies. Ιn order to face this phenomenon, a Human Resources department needs tools. These data-based tools can help identify the reasons that lead employees to leave, in order to take measures and prevent them. In this thesis, through the available dataset, which includes personal and professional information about each employee, using logistic regression and machine learning algorithms, we will try to predict the employee's departure or retention in the company. The theoretical background of these methods, such as graphs and plots of the variables and descriptive measures, are also given. Finally, the results of the models are compared using appropriate metrics to evaluate their performance in order to reach the most appropriate and efficient model for our prediction. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | HR | el |
| dc.subject.keyword | HRM | el |
| dc.subject.keyword | Διαχείριση ανθρώπινου δυναμικού | el |
| dc.subject.keyword | Λογιστική παλινδρόμηση | el |
| dc.subject.keyword | Logistic regression | el |
| dc.subject.keyword | SVM | el |
| dc.subject.keyword | Decision tree | el |
| dc.subject.keyword | Random forest | el |
| dc.subject.keyword | Στατιστικά μοντέλα πρόβλεψης | el |
| dc.date.defense | 2024-07-22 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα