مدل ترکیبی خوشه بندی فازی داده های جریانی و شبکه عصبی بهینه سازی شده برای پیش بینی جابجایی منابع انسانی

مدیریت منابع انسان ی یکی از ارکان اساسی در بهبود عملکرد و افزایش بهره وری سازمان ها است. پیش بینیجابجایی کارکنان به عنوان یکی از مسائل کلیدی در این حوزه، سازمان ها را قادر می سازد تا استراتژی هایبهینه برای حفظ نیروی کار و کاهش هزینه های ناشی از گردش نیروی انسانی اتخاذ نمایند . با این حالداده های جریانی پویا و پیچیدگی روابط میان متغیرها چالش هایی را در ارائه پیش بینی های دقیق ایجادمی نماید. در این مقاله، رویکردی ترکیبی مبتنی بر خوشه بندی فازی و شبکه های عصبی بهینه سازی شدهبرای بهبود پیش بینی نرخ جابجایی کارکنان ارائه شده است. از الگوریتم خوشه بندی فازی C-Meansبرای شناسایی الگوهای پنهان در داده های جریانی استفاده شده و شاخص سیلوئیته برای ارزیابی کی فیتخوشه بندی به کار گرفته شده است. شبکه عصبی بهینه سازی شده با استفاده از الگوریتم های یادگیریعمیق، پیش بینی دقیقی از نرخ جابجایی ارائه نموده است. نتایج آزمایش ها نشان داد که استفاده از ترکیبخوشه بندی فازی و شبکه عصبی بهبود قابل توجهی در دقت پیش بینی داشته است، به طوریکه دقتپیش بینی از ۹۴.۹۴ % با استفاده از یک شبکه عصبی مستقل به ۹۸.۱۲ % در رویکرد ترکیبی افزایش یافتهاست. این نتایج حاکی از آن است که رویکرد پیشنهادی نه تنها در شناسایی دقیق الگوهای پنهان موثربوده، بلکه به ارائه پیش بینی هایی با دقت بالا و قابل اعتماد کمک نموده است.

کلیدواژه ها:

جابجایی منابع انسانی ، خوشه بندی فازی ، داده های جریانی ، شبکه عصبی