Πρόβλεψη οικειοθελούς αποχώρησης εργαζομένων

Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Μηχανική μάθηση ; Machine learning ; Οικειοθελής αποχώρηση προσωπικού ; Employee attrition ; Κατηγοριοποίηση ; Classification ; Logistic regression ; Decision tree ; Random tree forests ; Support vector machines ; Gradient boosting ; Ada BoostΠερίληψη
Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της μείωσης προσωπικού (employee attrition) σε επιχειρήσεις και επικεντρώνεται στη χρήση μεθόδων μηχανικής μάθησης για την πρόβλεψη της πιθανότητας οικειοθελούς αποχώρησης εργαζομένων, με στόχο την υποστήριξη των τμημάτων προσωπικού μεγάλου επιχειρηματικού ομίλου στην Ελλάδα. Χρησιμοποιήθηκαν και αξιολογήθηκαν οι αλγόριθμοι Logistic Regression, Decision Tree, Random Tree Forest, Support Vector Machines, Gradient Boosting, και AdaBoost για την εκτίμηση του κινδύνου αποχώρησης περίπου 7.000 ενεργών εργαζομένων, με δεδομένα που συλλέχθηκαν από το σύστημα ERP του επιχειρηματικού ομίλου. Ο αλγόριθμος Random Tree Forest αναδείχθηκε ως ο πιο αποτελεσματικός, επιτυγχάνοντας υψηλά ποσοστά ακρίβειας στην πρόβλεψη αποχωρήσεων. Μέσω ενός διαδραστικού πίνακα ελέγχου στο Power BI, τα τμήματα προσωπικού μπορούν να εντοπίσουν τους εργαζομένους με υψηλή πιθανότητα αποχώρησης και να λάβουν μέτρα για τη διατήρησή τους. Στην εργασία προτείνονται βελτιώσεις για τη αύξηση της ακρίβειας πρόβλεψης των αλγορίθμων και της εξηγησιμότητας των αποτελεσμάτων.