پیش بینی ترک شغل و عوامل فردی و سازمانی موثر بر آن با استفاده از روش های یادگیری ماشین

هدف: این مقاله در نظر دارد تا با تجزیه و تحلیل داده های مرتبط با نیروی کار یک فروشگاه های زنجیره به پیش بینی ترک شغل نیروها و بررسی عوامل فردی و سازمانی (شغلی) موثر بپردازد. روش شناسی: تعداد ۱۷۵۴۲رکورد اطلاعاتی منحصر به فرد شامل اطلاعات وضعیت فعالیت فرد (ادامه فعالیت یا ترک شغل) و ۱۲ مشخصه فردی و شغلی در بازه زمانی آبان ۱۳۹۸ الی ۱۴۰۱ بکار گرفته شد و سپس به روش داده کاوی و با استفاده از الگوریتم های یادگیری ماشین درخت تصمیم و ماشین بردار پشتیبان (SVM) به پیش بینی ترک شغل نیروی کار در این فروشگاه زنجیره ای بصورت پایلوت در سراسر کشور پرداخته شد. یافته ها: نتایج بدست آمده نشان دادند که ویژگی ها و مشخصه های شغلی تاثیر بیشتری بر ترک شغل دارند. بطور مشخص، از بین ویژگی های مختلف تعداد جابجایی نیروها، سمت سازمانی (صف یا ستادی)، سنوات خدمت و ساعت کار بیشترین اهمیت و تاثیرگذاری را بر ترک شغل دارند. از میان مشخصه های فردی نیز مشاهده شد که ترک شغل در میان جوانان و افراد کمتر از ۳۰ سال سن بیشتر است. بر اساس این ویژگی ها، مدل های ماشین بردار پشتیبان (SVM) با دقت ۹۱ درصد و امتیاز-F۱ بالای ۹۰ درصد و الگوریتم درخت تصمیم نیز با دقت ۸۳ درصد و امتیاز-F۱ به همین اندازه از عملکرد مناسبی در دسته بندی و پیش بینی موارد ترک شغل برخوردار شدند. نتیجه گیری: می توان بر اساس مشخصه های فردی و شغلی و با استفاده از روش های داده کاوی و یادگیری ماشینی سیاست هایی در جهت حفظ و نگه داشت منابع انسانی تنظیم کرد که موجب کاهش هزینه ها و همچنین حفظ مزیت های رقابتی و پیشرفت و توسعه بنگاه خواهد شد.

کلیدواژه ها:

ترک شغل ، عوامل فردی و سازمانی ، طبقه بندی ، یادگیری ماشین