توسعه داشبورد تحلیلی پیشبینی کننده ریزش و مدیریت استعداد با بهرهگیری از دادهکاوی و یادگیری ماشین بر روی دادههای پرسنلی
توسعه داشبورد تحلیلی پیشبینی کننده ریزش و مدیریت استعداد با بهرهگیری از دادهکاوی و یادگیری ماشین بر روی دادههای پرسنلی
نجمه ناظرمظفری1
1) ارشناس پذیرش رسته اداری، منابع انسانی شهرداری شیراز
کد IOI مقاله
:
AAHF-ABBCEC
محل انتشار :
کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری (icact.ir)
چکیده :
ریزش استعدادهای کلیدی به عنوان چالشی مهم برای سازمانها، هزینههای مالی و عملیاتی سنگینی به همراه دارد. رویکردهای سنتی مدیریت ریزش اغلب واکنشی و غیردقیق هستند. پارادایم نوین «تحلیلگری منابع انسانی» با بهرهگیری از دادهکاوی و یادگیری ماشین، امکان پیشبینی علمی و مداخله بهموقع را فراهم میکند. هدف این پژوهش، طراحی و توسعه یک چارچوب عملیاتی شامل یک داشبورد تحلیلی پیشبینی کننده ریزش نیرو با استفاده از یادگیری ماشین بر روی دادههای تاریخی پرسنلی، به منظور تبدیل دادهها به بینش عملی برای مدیران بود. این پژوهش کاربردی-توسعهای، با پیروی از چارچوب CRISP-DM و بر روی دادههای تاریخی پنجساله ۳۸۰۰ کارمند یک سازمان ایرانی انجام شد. پس از یکپارچهسازی دادهها از منابع مختلف و پیشپردازش، عملکرد پنج الگوریتم یادگیری ماشین مقایسه و بهترین مدل با تکنیک SHAP تفسیر شد. خروجیها در یک داشبورد تعاملی تحت وب پیادهسازی گردید. الگوریتم XGBoost با دقت قابل توجه (AUC=0.927) بهترین عملکرد را داشت. مهمترین عوامل پیشبینی کننده ریزش شامل فاصله از آخرین ترفیع، میانگین نمره عملکرد و نمره عاطفه منفی بودند. تحلیلها چهار الگوی ریزش را شناسایی کرد: «جاهطلبهای راکد»، «ناراضیان جدید»، «تحتفشارهای مالی» و «منزویهای سازمانی». شبیهسازی نشان داد مداخلات هدفمند (مانند ترفیع) میتواند ریزش را تا ۴۲٪ کاهش دهد. پژوهش نشاندهنده کارایی بالای رویکردهای مبتنی بر یادگیری ماشین برای پیشبینی ریزش و ارائه بینش عملی است. داشبورد توسعهیافته، به عنوان یک سیستم پشتیبان تصمیم، امکان پیشبینی، تحلیل ریشهای و شبیهسازی مداخلات را فراهم میکند و مسیر را به سمت مدیریت استعداد مبتنی بر شواهد و پیشگیرانه هموار میسازد.
کلمات کلیدی : پیشبینی ریزش کارکنان مدیریت استعداد یادگیری ماشین داشبورد تحلیلی تحلیلگری منابع انسانی