员工离职预测模型.docx-资料库

weixin_46706929-12551479-16359647465965438038.docx.pdf-第1页.png

第1页 / 共40页

weixin_46706929-12551479-16359647465965438038.docx.pdf-第2页.png

第2页 / 共40页

weixin_46706929-12551479-16359647465965438038.docx.pdf-第3页.png

第3页 / 共40页

weixin_46706929-12551479-16359647465965438038.docx.pdf-第4页.png

第4页 / 共40页

weixin_46706929-12551479-16359647465965438038.docx.pdf-第5页.png

第5页 / 共40页

weixin_46706929-12551479-16359647465965438038.docx.pdf-第6页.png

第6页 / 共40页

weixin_46706929-12551479-16359647465965438038.docx.pdf-第7页.png

第7页 / 共40页

weixin_46706929-12551479-16359647465965438038.docx.pdf-第8页.png

第8页 / 共40页

员工离职预测模型员工离职预测模型 2020 年 6 月

员工离职预测模型摘要本文针对企业员工的一些特征来判断员工是否离职，利用 RapidMiner 软件构建员工离职预测模型，分析影响员工离职的重要因素，比如员工月收入，是否加班，是否出差等，预测企业员工是否具有离职倾向，为企业提前做出判断，协助人力资源部门进行关键的干预工作，有计划的进行“留住人才”措施，同时也可以更好的促进企业做好“选拔人才”、“培养人才”、“管理人才”。建模前，先对原始数据进行预处理，包括属性变量量化处理、约简属性、数据标准化处理、特征的相关性分析、指定属性角色和划分训练集与测试集。建模选取了决策树模型、随机森林模型、KNN 算法模型、逻辑回归模型及贝叶斯模型，利用准确率、精度、召回率及 ROC 曲线/AUC 评价模型的整体性能，最后总结出决定员工离职的三个重要特征和较优的预测模型，并对用人单位提出建议。关键词：员工离职预测，RapidMiner，离职因素

员工离职预测模型目录摘要............................................................................................................................................................2 一、背景描述................................................................................................................................. 1 二、目的.......................................................................................................................................... 1 三、数据探索性分析................................................................................................................... 1 四、数据清洗与转换................................................................................................................... 7 (一) 数据集说明........................................................................................................................ 7 (二) 属性变量量化处理...........................................................................................................9 (三) 约简属性.......................................................................................................................... 10 (四) 数据标准化处理.............................................................................................................11 (五) 属性的相关性分析........................................................................................................ 12 (六) 指定属性角色................................................................................................................. 13 (七) 划分测试集和训练集....................................................................................................14 五、员工离职预测模型设计................................................................................................... 15 (一) 决策树................................................................................................................................... 15 (二) 随机森林...............................................................................................................................21 (三) KNN 算法..............................................................................................................................27 (四) 逻辑回归...............................................................................................................................31 (五) 贝叶斯................................................................................................................................... 33 六、模型性能对比分析............................................................................................................ 37 七、结论........................................................................................................................................37 1

员工离职预测模型一、背景描述在高度的市场竞争中，人才是最重要的资源。无论在 IT 互联网领域还是传统领域、事业单位，均面临关键人才的流失，因为关键人才的流失不仅会造成业务的损失，也会增加企业招聘新人才及培养新人才的成本。所以预测员工的离职概率，从而提前预知并有效预防，变得极其重要。公司的人力资源部门需把控员工的基本情况，对员工的工作状态实时掌握了解。然而在大数据时代下，大型企业的管理工作越来越倾向于用数据作为企业管理和调整的工具，通过运用数据挖掘的机器学习算法，统计学知识等可以更有效、更有依据和更有方法的对人才进行管理，挖掘内在原因，一定程度上预测员工是否具有离职倾向，同时也可以根据一些离职人群共同具备的特征来进一步改进企业的人才管理计划，比如进行升职加薪、更换工作岗位等，这样提前采取行动，可以避免造成人才流失的损失。二、目的建立一个精确度高、稳定性强的员工离职预测模型，为人才流失提供参考，同时在一定程度上帮助企业更好的管理人员，对具有离职倾向的人员加以引导，避免人才流失。提取员工离职的关键因素，探索哪些是主要影响员工离职的因素，便于企业有计划的提前作出应对策略。三、数据探索性分析探索数据关系图年龄与离职率商务差旅频率与离职率 1 初步分析结果 28-37 岁之间的年龄更易离职，但随着年龄的增长离职人群在降低。可初步猜测年龄较低的员工还处在一个较为迷茫的阶段，他们更倾向于尝试不同的新事物。经常出差的人员相比其他人员离职率高，从这点看出可通过减少人员的出差程度来降低离职率。

员工所在部门与离职率公司跟家庭住址的距离与离职率员工的教育程度与离职率员工对环境的满意程度与离职率员工所学习的专业领域与离职率所在研发部的人群离职率高，人力资源部离职率低。如果条件允许，可通过调整部门在一定程度上降低离职率。距离越近的离职人数最多。但从占比来看，公司与家庭住址越远越易离职。员工更多的倾向选择离家庭住址近的公司。受教育程度中等水平下离职人群较多，可能与该人群教育程度比上不足比下有余存在一定关系，较为摇摆不定。观察发现，受教育程度等级最高的离职率最低。从占比来看，环境满意度越低离职率越高。说明一个好的办公环境可以在一定程度上降低离职率。学习生命科学和医疗的离职人数最多，员工所学专业领域对是否离职存在一定的影响。员工离职预测模型 2

性别与离职率员工投入度与离职率职员级别与离职率工作角色与离职率工作满意度与离职率员工婚姻状况与离职率员工离职预测模型 3 男性离职人群比女性离职人群多，但从占比来看却相差不大，可能与探索的数据中男性群体对于女性群体有关。员工投入度偏高（投入度为 3）的离职群体人数最多。职员级别越低的越易离职。可猜测这类人员可能由于级别低得不到重视或者是想挑战更高的岗位级别而选择离职。实验室技术员、销售代表与研究总监离职人群最多。从占比来看，工作满意度越低的离职率越高。提高员工对工作的满足感可在一定程度上降低离职率。单身的人群更易离职，可能与单身人群较为自由不受约束有关，没有家庭方面的压力有关。

员工月收入与离职率关系满意度与离职率距离上次升职时长与离职率目前工作职责的工作年数与离职率在目前公司工作年数与离职率月收入越低离职率越高，月收入在 3000 以下的离职人群最多，月收入在 15000-19000 离职人群较少。但是收入最高的群体中离职率也偏高，不乏存在能力强的员工想要追求更好的机会。从占比来看，关系满意度越低的离职率越高。企业可通过组织团建、员工聚会等活动，从而促进员工之间的关系，进而降低离职率。距离上次升职时长越少的离职率越高，从这点可以看出，通过给员工升职可降低离职率。目前工作职责的工作年数越低的离职率越高。在目前公司工作年数小于 4 年的人群更易离职，且工作年数越少越易离职。员工离职预测模型 4

工作与生活平衡程度与离职率与上一年的培训时长与离职率总工龄与离职率股票期权水平与离职率绩效评估与离职率工作与生活平衡程度为 3 的离职率最高。从这点看，平衡度高的反而离职人数更多。培训次数在 2-3 次离职人群最多。可通过增加对员工的培训次数来降低离职率。总工龄小于 9 年的人群更易离职，工龄越长越不易离职，可能与老员工对公司的情感有关。股票期权水平越低离职率越高。可通过提供员工股票期权从而降低离职率。从总数上看绩效低的离职率高，但由于绩效低的人群基数也大，初步断定绩效与离职率关系不大。员工离职预测模型 5

资料库

员工离职预测模型.docx

相关推荐

大数据

热门标签

最新资料